lstm多步预测代码

LSTM（长短期记忆网络）常用于时间序列数据的预测任务，特别是多步预测。以下是一个简单的Python示例，使用Keras库实现LSTM进行多步预测：

# 导入必要的库
import numpy as np
from keras.models import Sequential
from keras.layers import LSTM, Dense

# 假设我们有训练数据 X_train (时间序列) 和 y_train (目标值)
X_train, y_train = ..., ...

# 数据预处理（例如归一化、填充等）
X_train = ... # 需要转换成适合LSTM输入的格式，如形状(n_samples, timesteps, input_dim)
y_train = ... # 同理，需要调整成合适的形式

# 创建模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], X_train.shape[2])))  # 返回序列，便于多步预测
model.add(LSTM(units=50))
model.add(Dense(units=y_train.shape[1]))  # 输出层与目标变量维度匹配

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

# 模型训练
model.fit(X_train, y_train, epochs=100, batch_size=32)

# 对于多步预测，我们需要循环提取并预测多个时间步的结果
def multi_step_prediction(model, data, steps):
    predicted = []
    for i in range(steps):
        x_input = data[i:]
        x_input = np.reshape(x_input, (1, len(x_input), data.shape[1]))
        yhat = model.predict(x_input, verbose=0)
        predicted.append(yhat)
        data = np.concatenate((data[:-1], yhat), axis=0)
    return predicted

steps = 3  # 我们想要预测的未来时间步数
predictions = multi_step_prediction(model, X_train[:, -1, :], steps)