LSTM 时间序列分析预测

【实例简介】LSTM 时间序列分析预测

使用LSTM神经网络进行时间序列数据预测分析。  
基于Tensorflow框架、Kerase接口开发网络模型。  
包含数据清洗，数据特征提取，数据建模，数据预测。  

【实例截图】
【核心代码】.
├── LSTM-master
│   ├── LSTM_Fly
│   │   ├── 1.LSTM回归网络(1→1).py
│   │   ├── 2.移动窗口型回归(3→1).py
│   │   ├── 3.时间步长型回归(3→1).py
│   │   ├── 4.批次之间具有记忆的LSTM.py
│   │   ├── 5.批次之间具有堆叠的LSTM.py
│   │   ├── A_ReadMeLink.txt
│   │   └── airline-passengers.csv
│   ├── LSTM系列
│   │   ├── LSTM单变量1
│   │   │   ├── data_set
│   │   │   │   └── shampoo-sales.csv
│   │   │   └── 香皂销售预测.py
│   │   ├── LSTM多变量1
│   │   │   ├── data_set
│   │   │   │   ├── air_pollution.csv
│   │   │   │   ├── air_pollution_new.csv
│   │   │   │   └── pollution.csv
│   │   │   ├── 预处理.py
│   │   │   └── 数据输出.py
│   │   ├── LSTM单变量2
│   │   │   ├── data_set
│   │   │   │   ├── shampoo-sales.csv
│   │   │   │   └── shampoo-sales1.csv
│   │   │   ├── 观测值缩放.py
│   │   │   ├── 时间序列转换成稳定数据.py
│   │   │   └── 时间序列转监督学习数据.py
│   │   ├── LSTM多变量2
│   │   │   ├── LSTM数据预处理.py
│   │   │   └── data_set
│   │   │       ├── air_pollution.csv
│   │   │       └── air_pollution_new.csv
│   │   ├── LSTM单变量3
│   │   │   └── LSTM模型开发.py
│   │   ├── LSTM多变量3
│   │   │   ├── data_set
│   │   │   │   ├── air_pollution.csv
│   │   │   │   ├── air_pollution_new.csv
│   │   │   │   ├── pollution.csv
│   │   │   │   └── raw.csv
│   │   │   ├── 定义&训练模型.py
│   │   │   └── 数据预处理.py
│   │   ├── LSTM单变量4
│   │   │   ├── data_set
│   │   │   │   ├── shampoo-sales.csv
│   │   │   │   └── shampoo-sales1.csv
│   │   │   └── 完整的LSTM案例.py
│   │   ├── LSTM单变量5
│   │   │   └── 更健壮的LSTM案例.py
│   │   ├── Multi-Step LSTM预测1
│   │   │   ├── data_set
│   │   │   │   ├── shampoo-sales.csv
│   │   │   │   └── shampoo-sales1.csv
│   │   │   └── 静态模型预测.py
│   │   └── Multi-Step LSTM预测2
│   │       ├── data_set
│   │       │   ├── shampoo-sales.csv
│   │       │   └── shampoo-sales1.csv
│   │       └── 多步预测的LSTM网络.py
│   ├── README.md
│   ├── stock_predict
│   │   ├── dataset_1.csv
│   │   ├── dataset_2.csv
│   │   ├── model_save1
│   │   │   ├── checkpoint
│   │   │   ├── modle.ckpt.data-00000-of-00001
│   │   │   ├── modle.ckpt.index
│   │   │   └── modle.ckpt.meta
│   │   ├── model_save2
│   │   │   ├── checkpoint
│   │   │   ├── modle.ckpt.data-00000-of-00001
│   │   │   ├── modle.ckpt.index
│   │   │   └── modle.ckpt.meta
│   │   ├── stock_predict_1.py
│   │   └── stock_predict_2.py
│   └── 长短期记忆(LSTM)
│       ├── Keras中长短期记忆模型的5步生命周期
│       │   ├── A_ReadMeLink.txt
│       │   ├── Keras中长短期记忆模型的5步操作.py
│       │   └── Keras中长短期记忆模型的5步操作代码分析.py
│       ├── LSTM实例
│       │   ├── 空气质量(多变量预测)
│       │   │   ├── 1.数据准备.py
│       │   │   ├── 2.数据画图展示.py
│       │   │   ├── 3.将数据转换成监督学习数据.py
│       │   │   ├── 4.一天预测一天.py
│       │   │   ├── 5.三天预测一天.py
│       │   │   ├── A_ReadMeLink.txt
│       │   │   ├── pollution.csv
│       │   │   └── raw.csv
│       │   ├── 洗发水销量(单步预测)
│       │   │   ├── 1.数据集图示.py
│       │   │   ├── 10.抽取数据做验证集画损失图.py
│       │   │   ├── 2.构造简单的滞后模型.py
│       │   │   ├── 3.构造监督型数据结构.py
│       │   │   ├── 4.数据差分法.py
│       │   │   ├── 5.数据缩放法.py
│       │   │   ├── 6.LSTM模型实例.py
│       │   │   ├── 7.LSTM模型性能测评.py
│       │   │   ├── 8.代入股票数据测试.py
│       │   │   ├── 9.不做差分的股票数据预测.py
│       │   │   ├── A_ReadMeLink.txt
│       │   │   ├── shampoo-sales.csv
│       │   │   └── stocktest.csv
│       │   └── 洗发水销量(多步预测)
│       │       ├── 1.数据集图示.py
│       │       ├── 2.监督学习型数据准备.py
│       │       ├── 3.静态假数据预测效果.py
│       │       ├── 4.训练神经网络预测.py
│       │       ├── A_ReadMeLink.txt
│       │       └── shampoo-sales.csv
│       ├── LSTM的特性
│       │   ├── 使用编码器-解码器LSTM来回显随机整数序列
│       │   │   ├── 1.准备回声序列数据.py
│       │   │   ├── 2.预测回声序列.py
│       │   │   ├── 3.编码器 - 解码器模型.py
│       │   │   └── 4.代码2回声序列的一个简易版,可观测数据.py
│       │   ├── 输入输出对和TimeDistributed
│       │   │   ├── 1.一对一LSTM.py
│       │   │   ├── 2.多对一LSTM(没有TimeDistributed).py
│       │   │   ├── 3.多对多LSTM(具有TimeDistributed).py
│       │   │   └── A_ReadMeLink.txt
│       │   └── 有状态网络的输入输出对预测
│       │       ├── 1.输入-输出对.py
│       │       ├── 2.重塑数据.py
│       │       ├── 3.有状态的LSTM网络的完整示例.py
│       │       └── A_ReadMeLink.txt
│       ├── LSTM的数据准备
│       │   ├── 重塑Keras中长短期内存网络的输入数据
│       │   │   ├── A_ReadMeLink.txt
│       │   │   ├── 单输入样本的LSTM示例.py
│       │   │   ├── 具有多个输入功能的LSTM示例.py
│       │   │   └── 如何为长短期记忆网络准备单变量时间序列数据.py
│       │   ├── 在编写one-hot编码序列数据
│       │   │   ├── A_ReadMeLink.txt
│       │   │   ├── one-hotenoder与Keras.py
│       │   │   ├── one-hotenoder与scikit学习.py
│       │   │   └── 手动one-hotenoder.py
│       │   ├── 使用差异变换消除趋势和季节性
│       │   │   ├── A_ReadMeLink.txt
│       │   │   ├── 差分用于消除趋势.py
│       │   │   └── 差分用于消除季节性.py
│       │   ├── 处理序列预测中的缺失时间步长
│       │   │   ├── A_ReadMeLink.txt
│       │   │   ├── 忽略缺失的学习.py
│       │   │   ├── 对缺失值进行学习.py
│       │   │   ├── 创建一个序列的演示.py
│       │   │   ├── 删除缺失的序列数据.py
│       │   │   └── 替换缺失的序列数据.py
│       │   └── 归一化标准化长短期内存网络的数据
│       │       ├── A_ReadMeLink.txt
│       │       ├── 归一化.py
│       │       └── 标准化.py
│       └── 使用LSTM建模
│           ├── 如何调用Keras中的长短期记忆模型
│           │   ├── A_ReadMeLink.txt
│           │   ├── lstm_model.h5
│           │   └── 保存模型并加载.py
│           ├── 如何诊断LSTM模型的过度拟合和欠拟合
│           │   ├── 1.训练周期不足.py
│           │   ├── 2.隐藏层节点过少.py
│           │   ├── 3.合格的例子.py
│           │   ├── 4.过度拟合的例子.py
│           │   ├── 5.多次拟合评估.py
│           │   └── A_ReadMeLink.txt
│           └── 堆叠的长短期记忆网络
│               ├── A_ReadMeLink.txt
│               ├── 在Keras中实现堆叠LSTM 2D输出.py
│               └── 在Keras中实现堆叠LSTM 3D输出.py
└── 好例子网_LSTM-master.zip

44 directories, 127 files