段哥
http://machinelearningmastery…
Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras
时间序列预测问题是一种困难类型的预测建模问题。
与回归预测建模不同，时间序列还增加了输入变量之间的序列相关性的复杂性。
设计用于处理序列依赖性的强大类型的神经网络称为复现神经网络。 长期短期记忆网络或LSTM网络是一种用于深度学习的递归神经网络，因为可以成功地训练非常大的体系结构。
在本文中，您将了解如何使用Keras深度学习库来开发Python中的LSTM网络，以解决演示时间序列预测问题。
完成本教程后，您将了解如何为您自己的时间序列预测问题和其他更一般的序列问题实现和开发LSTM网络。 你会知道：
·关于国际航空公司乘客时间序列预测问题。
·如何开发LSTM网络用于回归，基于窗口和时间步长的时间序列预测问题的框架。
·如何使用LSTM网络开发和进行预测，这些网络可以在非常长的序列中维护状态（内存）。
在本教程中，我们将为标准时间序列预测问题开发大量的LSTM。
问题和LSTM网络的选择配置演示的目的是他们没有优化。
这些示例将向您展示如何为时间序列预测建模问题开发自己的不同结构化LSTM网络。
让我们开始吧。
2016.10更新：在每个示例中计算RMSE的方式计算误差。 报告的RMSE只是平淡的错误。 现在，RMSE直接从预测计算，RMSE和预测图以原始数据集为单位。 使用Keras 1.1.0，TensorFlow 0.10.0和scikit-learn v0.18评价模型。 感谢所有指出这个问题的人和菲利普·奥布莱恩帮助提出的解决方案。
