时间序列预测lstm模型完整代码

时间序列预测是一种常见的任务，LSTM（长短期记忆）模型是一种适用于处理时间序列数据的循环神经网络模型。下面是一个简单的时间序列预测LSTM模型的完整代码示例：

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

# 读取时间序列数据
data = pd.read_csv('data.csv')

# 数据预处理
train_data = data[:800]  # 前800个数据作为训练集
test_data = data[800:]   # 后面的数据作为测试集

# 构建训练集和测试集
def create_dataset(dataset, look_back=1):
    X, Y = [], []
    for i in range(len(dataset)-look_back):
        X.append(dataset[i:i+look_back])
        Y.append(dataset[i+look_back])
    return np.array(X), np.array(Y)

look_back = 10  # 设置时间窗口大小
train_X, train_Y = create_dataset(train_data, look_back)
test_X, test_Y = create_dataset(test_data, look_back)

# 构建LSTM模型
model = Sequential()
model.add(LSTM(units=50, input_shape=(look_back, 1)))
model.add(Dense(units=1))
model.compile(optimizer='adam', loss='mean_squared_error')

# 模型训练
model.fit(train_X, train_Y, epochs=100, batch_size=32)

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

# 可视化结果
import matplotlib.pyplot as plt
plt.plot(train_data, label='Original data')
plt.plot(range(look_back, len(train_predict)+look_back), train_predict, label='Train prediction')
plt.plot(range(look_back+len(train_predict), len(train_data)), test_predict, label='Test prediction')
.legend()
plt.show()

这段代码实现了一个简单的时间序列预测LSTM模型。首先，读取时间序列数据，并将数据划分为训练集和测试集。然后，通过`create_dataset`函数构建输入特征和标签。接下来，使用`Sequential`模型构建LSTM模型，并编译模型。然后，使用训练集对模型进行训练。最后，使用训练好的模型对训练集和测试集进行预测，并将结果可视化展示出来。