本篇內(nèi)容主要講解“Python怎么實(shí)現(xiàn)LSTM時(shí)間序列預(yù)測(cè)”，感興趣的朋友不妨來(lái)看看。本文介紹的方法操作簡(jiǎn)單快捷，實(shí)用性強(qiáng)。下面就讓小編來(lái)帶大家學(xué)習(xí)“Python怎么實(shí)現(xiàn)LSTM時(shí)間序列預(yù)測(cè)”吧!

站在用戶的角度思考問(wèn)題，與客戶深入溝通，找到撫州網(wǎng)站設(shè)計(jì)與撫州網(wǎng)站推廣的解決方案，憑借多年的經(jīng)驗(yàn)，讓設(shè)計(jì)與互聯(lián)網(wǎng)技術(shù)結(jié)合，創(chuàng)造個(gè)性化、用戶體驗(yàn)好的作品，建站類型包括：成都做網(wǎng)站、成都網(wǎng)站制作、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣、主機(jī)域名、虛擬空間、企業(yè)郵箱。業(yè)務(wù)覆蓋撫州地區(qū)。

參考數(shù)據(jù)：

數(shù)據(jù)一共兩列，左邊是日期，右邊是乘客數(shù)量

對(duì)數(shù)據(jù)做可視化：

import math
import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
from pandas import read_csv 
from keras.models import Sequential 
from keras.layers import Dense 
from keras.layers import LSTM 
from sklearn.preprocessing import MinMaxScaler 
from sklearn.metrics import mean_squared_error 
#load dataset 
dataframe = read_csv('./international-airline-passengers.csv',usecols =[1],header = None,engine = 'python',skipfooter = 3)
dataset = dataframe.values
#將整型變?yōu)閒loat
dataset = dataset.astype('float32')
plt.plot(dataset)
plt.show()

可視化結(jié)果：

下面開始進(jìn)行建模：

完整代碼：

import math
import numpy 
import pandas as pd 
import matplotlib.pyplot as plt 
from pandas import read_csv 
from keras.models import Sequential 
from keras.layers import Dense 
from keras.layers import LSTM 
from sklearn.preprocessing import MinMaxScaler 
from sklearn.metrics import mean_squared_error 
def create_dataset(dataset,look_back = 1):
	dataX,dataY = [],[]
	for i in range(len(dataset) - look_back - 1):
		a = dataset[i:i+look_back,0]
		b = dataset[i+look_back,0]
		dataX.append(a)
		dataY.append(b)
	return numpy.array(dataX),numpy.array(dataY)
numpy.random.seed(7)
dataframe = read_csv('./international-airline-passengers.csv',usecols = [1],header = None,engine = 'python')
dataset = dataframe.values
dataset = dataset.astype('float32')
scaler = MinMaxScaler(feature_range = (0,1))
dataset = scaler.fit_transform(dataset)
train_size = int(len(dataset) * 0.67)
test_size = len(dataset) - train_size
train,test = dataset[0:train_size,:],dataset[train_size:len(dataset),:]
look_back = 1
trainX,trainY = create_dataset(train,look_back)
testX,testY = create_dataset(test,look_back)
#reshape input to be [samples, time steps, features]
trainX = numpy.reshape(trainX,(trainX.shape[0],look_back,trainX.shape[1]))
testX = numpy.reshape(testX,(testX.shape[0],look_back,testX.shape[1]))
#create and fit the LSTM network 
model = Sequential()
model.add(LSTM(4,input_shape = (1,look_back)))
model.add(Dense(1))
model.compile(loss = 'mean_squared_error',optimizer = 'adam')
model.fit(trainX,trainY,epochs = 100,batch_size = 1,verbose = 2)
# make predictions
trainPredict = model.predict(trainX)
testPredict = model.predict(testX)
# invert predictions
trainPredict = scaler.inverse_transform(trainPredict)
trainY = scaler.inverse_transform([trainY])
testPredict = scaler.inverse_transform(testPredict)
testY = scaler.inverse_transform([testY])
# calculate root mean squared error
trainScore = math.sqrt(mean_squared_error(trainY[0], trainPredict[:,0]))
print('Train Score: %.2f RMSE' % (trainScore))
testScore = math.sqrt(mean_squared_error(testY[0], testPredict[:,0]))
print('Test Score: %.2f RMSE' % (testScore))
# shift train predictions for plotting
trainPredictPlot = numpy.empty_like(dataset)
trainPredictPlot[:, :] = numpy.nan
trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict
# shift test predictions for plotting
testPredictPlot = numpy.empty_like(dataset)
testPredictPlot[:, :] = numpy.nan
testPredictPlot[len(trainPredict)+(look_back*2)+1:len(dataset)-1, :] = testPredict
# plot baseline and predictions
plt.plot(scaler.inverse_transform(dataset))
plt.plot(trainPredictPlot)
plt.plot(testPredictPlot)
plt.show()

運(yùn)行結(jié)果：

到此，相信大家對(duì)“Python怎么實(shí)現(xiàn)LSTM時(shí)間序列預(yù)測(cè)”有了更深的了解，不妨來(lái)實(shí)際操作一番吧！這里是創(chuàng)新互聯(lián)網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！