lstm直接多步多变量预测代码

以下是使用LSTM进行多步多变量预测的代码示例：

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

# 定义函数以生成样本数据
def generate_data(n):
    X1 = np.arange(n).reshape(n, 1)
    X2 = np.random.rand(n, 1)
    y = np.sin(X1) + X2
    return X1,X2, y

# 定义参数
n_steps_in = 3
n_steps_out = 2
n_features = 2

# 生成样本数据
X1, X2, y = generate_data(10)

# 将数据转换为LSTM模型所需的格式
X = np.hstack((X1,X2))
X = X.reshape((X.shape[0], n_steps_in, n_features))
y = y.reshape((y.shape[0], n_steps_out))

# 构建LSTM模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(n_steps_in, n_features)))
model.add(Dense(n_steps_out))
model.compile(optimizer='adam', loss='mse')

# 训练模型
model.fit(X, y, epochs=200, verbose=0)

# 生成输入序列
x_input = np.array([[7, 0.5], [8, 0.6], [9, 0.7]]).reshape((1, n_steps_in, n_features))

# 预测未来两个时间步的值
yhat = model.predict(x_input, verbose=0)
print(yhat)

在这个示例中，我们首先定义了一个函数来生成样本数据，并设置了多步多变量预测所需的参数。然后我们生成了一些样本数据，并将其转换为LSTM模型所需的格式。接下来，我们构建了一个简单的LSTM模型，并对其进行了训练。最后，我们使用模型来预测未来两个时间步的值，并将其打印出来。

需要注意的是，我们在生成样本数据时使用了两个变量X1和X2，并将它们合并到了一个输入矩阵X中。在LSTM模型中，我们将输入形状设置为(n_steps_in, n_features)，其中n_features等于2。同样，我们将输出形状设置为(n_steps_out,)，其中n_steps_out等于2。在生成输入序列时，我们需要为每个时间步提供两个变量的值。