lstm 预测pyhton

下面是一个使用LSTM模型进行时间序列预测的Python代码示例：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 读取数据
data = pd.read_csv('data.csv', header=None)

# 数据预处理
data = np.array(data)
data = data.astype('float32')
train_data = data[0:100, :]
test_data = data[100:, :]

# 准备训练数据
def create_dataset(dataset, look_back=1):
    X, Y = [], []
    for i in range(len(dataset) - look_back - 1):
        a = dataset[i:(i + look_back), 0]
        X.append(a)
        Y.append(dataset[i + look_back, 0])
    return np.array(X), np.array(Y)

look_back = 3
train_X, train_Y = create_dataset(train_data, look_back)
test_X, test_Y = create_dataset(test_data, look_back)

# 创建LSTM模型
model = Sequential()
model.add(LSTM(32, input_shape=(look_back, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(train_X, train_Y, epochs=100, batch_size=1, verbose=2)

# 模型预测
train_predict = model.predict(train_X)
test_predict = model.predict(test_X)

# 反归一化处理
train_predict = train_predict.reshape(-1, 1)
test_predict = test_predict.reshape(-1, 1)
train_Y = train_Y.reshape(-1, 1)
test_Y = test_Y.reshape(-1, 1)
train_predict = scaler.inverse_transform(train_predict)
train_Y = scaler.inverse_transform(train_Y)
test_predict = scaler.inverse_transform(test_predict)
test_Y = scaler.inverse_transform(test_Y)

# 可视化预测结果
plt.plot(train_Y)
plt.plot(train_predict)
plt.plot(test_Y)
plt.plot(test_predict)
plt.show()

在这个示例中，假设我们已经有了一个名为"data.csv"的时间序列数据文件。我们首先读取数据，然后将其转换为numpy数组，并将前100个数据点用于训练，其余的用于测试。

接下来，我们定义了一个函数来创建训练数据集，该函数将数据集分成X和Y两部分。X是由前"look_back"个时间步长的数据组成的，Y是下一个时间步长的数据。

然后，我们创建一个LSTM模型，并使用训练数据进行训练。在训练过程中，我们使用均方误差作为损失函数，并使用Adam优化器。

训练完成后，我们使用训练数据和测试数据进行预测，并将预测结果反归一化处理。最后，我们将预测结果可视化，以便更好地理解模型的预测能力。