lstm滑动窗口预测python

下面是一个使用LSTM滑动窗口进行时间序列预测的Python示例：

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

# 生成时间序列数据
def generate_data(n):
    x = np.arange(0, 2*n, 2)
    y = np.sin(x)
    return x, y

# 将时间序列数据转换为监督学习数据
def to_supervised(data, window_size):
    X, Y = [], []
    for i in range(len(data)-window_size):
        X.append(data[i:i+window_size])
        Y.append(data[i+window_size])
    return np.array(X), np.array(Y)

# 构建LSTM模型
def build_model(window_size):
    model = Sequential()
    model.add(LSTM(50, input_shape=(window_size, 1)))
    model.add(Dense(1))
    model.compile(loss='mse', optimizer='adam')
    return model

# 训练LSTM模型
def train_model(model, X, Y, epochs):
    X = np.reshape(X, (X.shape[0], X.shape[1], 1))
    model.fit(X, Y, epochs=epochs, batch_size=32, verbose=0)

# 使用LSTM模型进行预测
def predict(model, X):
    X = np.reshape(X, (1, X.shape[0], 1))
    yhat = model.predict(X, verbose=0)
    return yhat[0]

# 生成数据
data = generate_data(100)

# 将数据转换为监督学习数据
window_size = 10
X, Y = to_supervised(data[1], window_size)

# 构建并训练LSTM模型
model = build_model(window_size)
train_model(model, X, Y, epochs=100)

# 使用LSTM模型进行预测
yhat = []
for i in range(window_size, len(data[1])):
    X = data[1][i-window_size:i]
    yhat.append(predict(model, X))

# 绘制预测结果
import matplotlib.pyplot as plt
plt.plot(data[0], data[1], label='Original')
plt.plot(data[0][window_size:], yhat, label='Predicted')
plt.legend()
plt.show()

该示例使用sin函数生成时间序列数据，然后将该数据转换为监督学习数据，并使用LSTM模型进行训练和预测。最后，使用matplotlib绘制出原始数据和预测结果。