/LSTM

基于LSTM神经网络的时间序列预测

Primary LanguagePython

LSTM 时间序列分析预测 目录

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。

想学习更多深度学习项目,可访问如下链接

1.通过自回归(AR,ARIMA)模型进行时间序列预测合集:https://github.com/yangwohenmai/TimeSeriesForecasting
2.通过深度学习模型进行时间序列预测合集:https://github.com/yangwohenmai/DeepLearningForTSF
3.基于NLP的文本分析项目合集:https://github.com/yangwohenmai/NLP

LSTM 时间序列分析预测 目录

一、LSTM系列

1.LSTM单变量(shampoo-sales)

  • 1_1.LSTM单变量1
  1.香皂销售预测  
  • 1_2.LSTM单变量2
  1.观测值缩放  
  2.时间序列转换成稳定数据  
  3.时间序列转监督学习数据  
  • 1_3.LSTM单变量3
  1.LSTM模型开发  
  • 1_4.LSTM单变量4
  1.完整的LSTM案例  
  • 1_5.LSTM单变量5
  1.更健壮的LSTM案例  

2.LSTM多变量(air_pollution)

  • 1_1.LSTM多变量1
  1.数据输出  
  2.预处理  
  • 1_2.LSTM多变量2
  1.LSTM数据预处理   
  • 1_3.LSTM多变量3
  1.定义&训练模型  
  2.数据预处理  

3.Multi-Step LSTM预测(shampoo-sales)

  • 1_1.Multi-Step LSTM预测1
  1.静态模型预测  
  • 1_2.Multi-Step LSTM预测2
  1.多步预测的LSTM网络   

二、LSTM_Fly(airline-passengers)

  1.LSTM回归网络(1→1)  
  2.移动窗口型回归(3→1)  
  3.时间步长型回归(3→1)  
  4.批次之间具有记忆的LSTM  
  5.批次之间具有堆叠的LSTM  

长短周期记忆网络(LSTM)

一、LSTM的特性

1.使用编码器-解码器LSTM来回显随机整数序列

  01.准备回声序列数据
  02.预测回声序列
  03.编码器 - 解码器模型
  04.代码2回声序列的一个简易版,可观测数据

2.输入输出对和TimeDistributed

  01.一对一LSTM
  02.多对一LSTM(没有TimeDistributed)
  03.多对多LSTM(具有TimeDistributed)

3.有状态网络的输入输出对预测

  01.输入-输出对
  02.重塑数据
  03.有状态的LSTM网络的完整示例

二、Keras中长短期记忆模型的5步生命周期

  01.Keras中长短期记忆模型的5步操作
  02.Keras中长短期记忆模型的5步操作代码分析

三、LSTM的数据准备

1.处理序列预测中的缺失时间步长

  01.创建一个序列的演示
  02.对缺失值进行学习
  03.忽略缺失的学习
  04.删除缺失的序列数据
  05.替换缺失的序列数据

2.归一化标准化长短期内存网络的数据

  01.标准化
  02.归一化

3.使用差异变换消除趋势和季节性

  01.差分用于消除季节性
  02.差分用于消除趋势

4.在编写one-hot编码序列数据

  01.one-hotenoder与Keras
  02.one-hotenoder与scikit学习
  03.手动one-hotenoder

5.重塑Keras中长短期内存网络的输入数据

  01.单输入样本的LSTM示例
  02.具有多个输入功能的LSTM示例
  03.如何为长短期记忆网络准备单变量时间序列数据

四、使用LSTM建模

1.堆叠的长短期记忆网络

  01.在Keras中实现堆叠LSTM 2D输出
  02.在Keras中实现堆叠LSTM 3D输出

2.如何调用Keras中的长短期记忆模型

  01.保存模型并加载

3.如何诊断LSTM模型的过度拟合和欠拟合

  01.训练周期不足
  02.合格的例子
  03.过度拟合的例子
  04.多次拟合评估

五、LSTM实例

1.空气质量(多变量预测)

  01.数据准备
  02.数据画图展示
  03.将数据转换成监督学习数据
  04.一天预测一天
  05.三天预测一天

2.洗发水销量(单步预测)

  01.数据集图示
  02.构造简单的滞后模型
  03.构造监督型数据结构
  04.数据差分法
  05.数据缩放法
  06.LSTM模型实例
  07.LSTM模型性能测评
  08.代入股票数据测试
  09.不做差分的股票数据预测
  10.抽取数据做验证集画损失图

3.洗发水销量(多步预测)

  01.数据集图示
  02.监督学习型数据准备
  03.静态假数据预测效果
  04.训练神经网络预测