lstm时间序列预测滚动预测代码

LSTM（长短期记忆网络）常用于时间序列预测，特别是当数据存在长期依赖性时。滚动预测是一种常用的训练策略，它允许模型逐步生成序列，并在每个步骤都更新其内部状态。

以下是一个简单的Python示例，使用Keras库实现LSTM进行滚动预测：

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

# 假设你已经有了预处理的时间序列数据X_train和y_train
# X_train.shape应该是(batch_size, sequence_length, input_dim)
# y_train.shape应该是(batch_size, sequence_length, output_dim)

model = Sequential()
model.add(LSTM(64, return_sequences=True, input_shape=(None, X_train.shape[2])))  # 隐藏层大小
model.add(Dense(output_dim, activation='linear'))  # 输出层

def rolling_predict(model, x, lookback, horizon):
    predictions = []
    for t in range(horizon):
        # 使用当前时刻之前的lookback步作为输入
        x_t = x[:, -lookback:, :]
        # 进行预测
        yhat = model.predict(x_t)[..., -1]
        # 将预测添加到结果列表中
        predictions.append(yhat)
        # 更新输入序列，移除最旧的数据并追加新的预测结果
        x = np.roll(x, shift=1, axis=1)
        x[..., -1] = yhat
    return np.array(predictions)

lookback = 10  # 滚动窗口大小
horizon = 5   # 预测步数

# 开始滚动预测
predictions = rolling_predict(model, X_train, lookback, horizon)