rbf神经网络预测_LSTM项目实践（一）——预测印度卢比(INR)汇率趋势-CSDN博客

本文探讨了利用时间序列分析预测印度卢比(INR)兑美元汇率，通过对比SVR、多层神经网络(ANN)和即将介绍的LSTM模型。在1980年至2017年的数据上，SVR和ANN显示出不同的预测效果，其中ANN表现出接近完美的拟合。然而，作者引用专家观点质疑长期预测汇率的准确性，认为价格数据并非完全随机，可能存在相关性。

摘要由CSDN通过智能技术生成

学习如何利用时间序列分析来预测未来的货币汇率变化趋势，并利用时间序列来进行预测。

我们希望用一个长短期记忆网络模型LSTM来讨论时间序列预测。但在此之前，我们先给出两种baseline方法，也即传统的SVR和多层神经网络ANN。其中，后者的效果已经非常好了。

数据集是基于1980年1月2日到2017年8月10日之间的汇率数据。数据集显示在印度卢比(INR)兑换1美元的值，总共有13730份记录。

链接：neelabhpant/Deep-Learning-in-Python

1. 读取数据集

读取USD_INR.csv文件，并绘制时序图

#1. 数据准备
df = pd.read_csv('USD_INR.csv')
df['Date'] = pd.to_datetime(df["Date"])
df_idx = df.set_index(["Date"], drop=True) # Data成为索引，而不是列
print(df_idx.head(5))

#顺序重排数据
df_idx = df_idx.sort_index(axis=1, ascending=True)
df_idx = df_idx.iloc[::-1]

#绘制数据的时序图
data = df_idx[['Price']]
data.plot(y='Price')
plt.show()

2. 数据预处理

包括训练、测试集划分，归一化数据。

训练数据是基于1980年1月2日到2009年12月31日之间的数据，大约有11000个训练数据点。测试数据集是在2010年1月1日到2017年8月10日之间，大约有2700个点。

#2. 数据预处理

# 2.1 训练集和测试集划分
split_date = pd.Timestamp('01-01-2010')
trai