lstm模型

 import numpy as np

    
 import pandas as pd
    
 import matplotlib.pyplot as plt
    
 from tensorflow.keras.models import Sequential
    
 from tensorflow.keras.layers import LSTM, Dense, Dropout
    
 from sklearn.preprocessing import MinMaxScaler
    
 from sklearn.model_selection import train_test_split
    
  
    
 # 假设你有一个时间序列数据 'data'
    
 # 假设数据是一个一维的时间序列数据，例如某个时间段的温度、股票价格等
    
  
    
 # 1. 数据预处理：标准化数据
    
 scaler = MinMaxScaler(feature_range=(0, 1))
    
 data_scaled = scaler.fit_transform(data.reshape(-1, 1))
    
  
    
 # 2. 创建时间序列数据集，转化为 [X_train, y_train] 格式
    
 def create_dataset(dataset, time_step=1):
    
     X, y = [], []
    
     for i in range(len(dataset) - time_step - 1):
    
     X.append(dataset[i:(i + time_step), 0])
    
     y.append(dataset[i + time_step, 0])
    
     return np.array(X), np.array(y)
    
  
    
 time_step = 100  # 选择一个合适的时间步长
    
 X, y = create_dataset(data_scaled, time_step)
    
  
    
 # 3. 重新调整输入数据的形状，使其符合 LSTM 输入要求 (samples, time_steps, features)
    
 X = X.reshape(X.shape[0], X.shape[1], 1)
    
  
    
 # 4. 数据划分：训练集和测试集
    
 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)
    
  
    
 # 5. 构建 LSTM 模型
    
 model = Sequential()
    
  
    
 # 添加 LSTM 层
    
 model.add(LSTM(units=50, return_sequences=True, input_shape=(time_step, 1)))
    
 model.add(Dropout(0.2))  # 防止过拟合
    
  
    
 # 可以添加更多的 LSTM 层
    
 model.add(LSTM(units=50, return_sequences=False))
    
 model.add(Dropout(0.2))
    
  
    
 # 添加全连接层
    
 model.add(Dense(units=1))
    
  
    
 # 6. 编译模型
    
 model.compile(optimizer='adam', loss='mean_squared_error')
    
  
    
 # 7. 训练模型
    
 model.fit(X_train, y_train, epochs=20, batch_size=32)
    
  
    
 # 8. 预测
    
 predictions = model.predict(X_test)
    
  
    
 # 9. 反标准化数据
    
 predictions = scaler.inverse_transform(predictions)
    
 y_test_actual = scaler.inverse_transform(y_test.reshape(-1, 1))
    
  
    
 # 10. 可视化结果
    
 plt.plot(y_test_actual, label='True Values')
    
 plt.plot(predictions, label='Predicted Values')
    
 plt.legend()
    
 plt.show()
    
    
    
    

 * 使用 `MinMaxScaler` 对数据进行标准化，将其缩放到 [0, 1] 范围内，LSTM 对标准化的数据通常表现更好。
 * `create_dataset` 函数将时间序列数据转换成训练集的输入特征 `X` 和标签 `y`。

 * 使用 Keras 中的 `Sequential` 模型创建神经网络。
 * 添加两层 LSTM 层，每层有 50 个神经元。`return_sequences=True` 表示返回序列，`return_sequences=False` 表示返回一个向量（仅用于最后一层）。
 * 为了防止过拟合，使用了 `Dropout` 层，随机丢弃一部分神经元。
 * 最后一层是 `Dense` 层，用于输出预测结果。

 * 使用 `adam` 优化器和均方误差损失函数 `mean_squared_error` 来训练模型。
 * 训练时将数据分为训练集和测试集，使用 `model.fit` 进行训练。

 * 使用训练好的模型进行预测，并将结果反标准化回原始数据范围。
 * 使用 `matplotlib` 可视化预测结果和真实数据的对比。