LSTM多特征输入预测

对于LSTM模型，可以使用多个特征作为输入来进行预测。以下是一个基本的LSTM模型的示例，其中有两个特征作为输入：

from keras.models import Sequential
from keras.layers import LSTM, Dense

# 定义模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(n_steps, n_features)))
model.add(LSTM(units=50))
model.add(Dense(units=1))

# 编译模型
model.compile(optimizer='adam', loss='mse')

# 拟合模型
model.fit(X_train, y_train, epochs=100, batch_size=32, validation_data=(X_test, y_test))

其中，`n_steps`表示时间步长，`n_features`表示特征数量。在输入数据中，每个样本都是一个形状为`(n_steps, n_features)`的二维数组。在上述代码中，模型的输入形状为`(n_steps, n_features)`，因此需要将数据转换为这个形状。

另外，需要注意的是，如果有多个特征作为输入，需要对不同特征进行标准化或归一化处理，以确保它们具有相似的数值范围。这可以通过使用`sklearn`库中的`StandardScaler`或`MinMaxScaler`类来实现。