BPNN时间序列预测python

BPNN（Back Propagation Neural Network）是一种常用的神经网络模型，可以用于时间序列预测。在Python中，可以使用第三方库Keras来构建BPNN模型。

以下是一个简单的时间序列预测的Python代码示例：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 构造数据集
data = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
seq_length = 3  # 序列长度
x_data = []
y_data = []
for i in range(len(data) - seq_length):
    x_data.append(data[i:i+seq_length])
    y_data.append(data[i+seq_length])
x_data = np.array(x_data)
y_data = np.array(y_data)

# 构建BPNN模型
model = Sequential()
model.add(Dense(64, input_shape=(seq_length,), activation='relu'))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(x_data, y_data, epochs=500, verbose=0)

# 预测结果
x_test = np.array([[70, 80, 90]])
y_pred = model.predict(x_test)
print('预测结果：', y_pred[0][0])

这个示例中，我们使用了一个长度为3的滑动窗口来构造数据集，将前3个数作为输入，第4个数作为输出，以此类推。然后使用Keras构建一个包含1个输入层、1个隐藏层和1个输出层的BPNN模型，并用数据集训练模型。最后，我们使用训练好的模型进行预测，输入[70, 80, 90]，预测结果为100。