多元lstm时间序列预测python

多元LSTM（Long Short-Term Memory）时间序列预测通常用于处理涉及多个输入变量的复杂序列数据，比如金融市场的股票价格、天气数据等。在Python中，我们可以使用深度学习库Keras或TensorFlow库来实现。

首先，你需要安装必要的库：

pip install tensorflow numpy pandas keras scikit-learn

以下是使用Keras构建一个简单多元LSTM模型的基本步骤：

1. 导入所需的库：

import numpy as np
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

2. 准备数据（假设你有一个包含多个列的时间序列DataFrame `df`）：

def create_dataset(data, look_back=1):
    data = data.values
    X, y = [], []
    for i in range(len(data) - look_back - 1):
        a = data[i:(i + look_back), :]
        X.append(a)
        y.append(data[i + look_back, 0])  # 仅针对一维预测，如果有多维度，替换为相应的列索引
    return np.array(X), np.array(y)

# 数据预处理
scaler = MinMaxScaler()
data_scaled = scaler.fit_transform(df)
X_train, y_train = create_dataset(data_scaled)

3. 构建LSTM模型：

model = Sequential([
    LSTM(50, input_shape=(look_back, df.shape[1]), return_sequences=True),
    Dropout(0.2),
    LSTM(50),
    Dropout(0.2),
    Dense(1)
])

4. 编译并训练模型：

model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X_train, y_train, epochs=100, batch_size=64)

5. 预测新的时间序列点：

look_ahead = 1  # 预测的步数
X_test = []
for i in range(len(data_scaled) - look_back - look_ahead + 1):
    a = data_scaled[i:(i + look_back), :]
    X_test.append(a)
X_test = np.array(X_test)
predictions = model.predict(X_test)