LSTM的原理，这里不做多余描述，具体可以参照这几个博客，介绍的很好。
blog1: Understanding LSTM Networks
blog2: Long Short-Term Memory Units (LSTMs)
blog3: LSTM详解 反向传播公式推导
blog4: LSTM详解

数据为单变量数据，上图显示的是，如何构造sequence to sequece。有点滑动窗口的思想。
网络博客上面，大多参照这篇文章 Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras .这位博主，有很多时间方面预测的文章，可以去他博客里面学习。这是中文版的 Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras (博客里面有数据集)
在学习上述博客，以及上述博客的中文翻译基础上，对我的时间序列数据进行多步预测。

本案例主要是，我自己做项目练习多步预测使用，具体公司数据集，不能提供。想要做练习，大家可以参照我给的连接，去他们的博客中学习。
这个代码部分可以不用细看。主要有几个地方希望初学者理解。
第一个：如何构造sequence to sequence，请参照上图；
第二个：多步预测的时候，这里面采用的事循环预测的方式。即上次预测的值y，添加到数据集中当做X，然后在预测新的y。如此往复，直到达到预测数据为止。
第三个：注意keras中，输入的维度关系。这篇文章介绍的比较好 Keras中的LSTM
第四个：下面代码的测试集被省去了。可以参照上面的博客，一样可以学习。

import pandas as pd import numpy as np import matplotlib.pylab as plt from keras.models import Sequential from keras.layers import Dense from keras.layers import LSTM from keras.layers import Dropout from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import mean_squared_error #读取数据 data = pd.read_csv("./data/data_complete.csv")[['sump']] dataf = data.values[0:-288] def create_dataset(dataset, timesteps=36,predict_size=6):#构造数据集 datax=[]#构造x datay=[]#构造y for each in range(len(dataset)-timesteps - predict_steps): x = dataset[each:each+timesteps,0] y = dataset[each+timesteps:each+timesteps+predict_steps,0] datax.append(x) datay.append(y) return datax, datay#np.array(datax),np.array(datay) #构造train and predict scaler = MinMaxScaler(feature_range=(0,1)) dataf = scaler.fit_transform(dataf) train = dataf.copy() timesteps = 72#构造x，为72个数据,表示每次用前72个数据作为一段 predict_steps = 12#构造y，为12个数据，表示用后12个数据作为一段 length = 288#预测多步，预测288个数据，每次预测12个，想想要怎么构造预测才能满足288？ trainx, trainy = create_dataset(train, timesteps, predict_steps) trainx = np.array(trainx) trainy = np.array(trainy) trainx = np.reshape(trainx,(trainx.shape[0],timesteps,1))#变换shape,以满足keras #lstm training model = Sequential() model.add(LSTM(128,input_shape=(timesteps,1),return_sequences= True)) model.add(Dropout(0.5)) model.add(LSTM(128,return_sequences=True)) #model.add(Dropout(0.3)) model.add(LSTM(64,return_sequences=False)) #model.add(Dropout(0.2)) model.add(Dense(predict_steps)) model.compile(loss="mean_squared_error",optimizer="adam") model.fit(trainx,trainy, epochs= 50, batch_size=200) #predict #因为每次只能预测12个数据，但是我要预测288个数据，所以采用的就是循环预测的思路。每次预测的12个数据，添加到数据集中充当预测x，然后在预测新的12个y，再添加到预测x列表中，如此往复。最终预测出288个点。 predict_xlist = []#添加预测x列表 predict_y = []#添加预测y列表 predict_xlist.extend(dataf[dataf.shape[0]-timesteps:dataf.shape[0],0].tolist())#已经存在的最后timesteps个数据添加进列表，预测新值(比如已经有的数据从1,2,3到288。现在要预测后面的数据，所以将216到288的72个数据添加到列表中，预测新的值即288以后的数据） while len(predict_y) < length: predictx = np.array(predict_xlist[-timesteps:])#从最新的predict_xlist取出timesteps个数据，预测新的predict_steps个数据（因为每次预测的y会添加到predict_xlist列表中，为了预测将来的值，所以每次构造的x要取这个列表中最后的timesteps个数据词啊性） predictx = np.reshape(predictx,(1,timesteps,1))#变换格式，适应LSTM模型 #print("predictx"),print(predictx),print(predictx.shape) #预测新值 lstm_predict = model.predict(predictx) #predict_list.append(train_predict)#新值y添加进列表，做x #滚动预测 #print("lstm_predict"),print(lstm_predict[0]) predict_xlist.extend(lstm_predict[0])#将新预测出来的predict_steps个数据，加入predict_xlist列表，用于下次预测 # invert lstm_predict = scaler.inverse_transform(lstm_predict) predict_y.extend(lstm_predict[0])#预测的结果y，每次预测的12个数据，添加进去，直到预测288个为止 #print("xlist", predict_xlist, len(predict_xlist)) #print(lstm_predict, len(lstm_predict)) #print(predict_y, len(predict_y)) #error y_ture = np.array(data.values[-288:]) train_score = np.sqrt(mean_squared_error(y_ture,predict_y)) print("train score RMSE: %.2f"% train_score) y_predict = pd.DataFrame(predict_y,columns=["predict"]) y_predict.to_csv("y_predict_LSTM.csv",index=False) #plot #plt.plot(y_ture,c="g") #plt.plot(predict_y, c="r") #plt.show()