### Python 实现 LSTM 模型处理单一特征输入的代码示例 以下是基于 Keras 库构建并训练一个两层状态保持 (stateful) 的 LSTM 模型来处理单一特征输入的数据。此模型适用于时间序列预测或其他类似的场景。 ```python from keras.models import Sequential from keras.layers import LSTM, Dense import numpy as np # 参数设置 batch_size = 1 # 批量大小，需与后续 predict 和 fit 中一致 look_back = 3 # 时间步长 input_dim = 1 # 输入维度（单特征） # 构建模型 model = Sequential() model.add(LSTM(4, batch_input_shape=(batch_size, look_back, input_dim), stateful=True, return_sequences=True)) # 第一层 LSTM 层返回序列 model.add(LSTM(4, batch_input_shape=(batch_size, look_back, input_dim), stateful=True)) # 第二层 LSTM 不返回序列 model.add(Dense(1)) # 输出层 model.compile(loss='mean_squared_error', optimizer='adam') # 数据准备 data = np.array([i for i in range(20)]) # 原始数据 trainX = [] trainY = [] for i in range(len(data) - look_back): trainX.append(data[i:i + look_back]) trainY.append(data[i + look_back]) trainX = np.reshape(np.array(trainX), (len(trainX), look_back, input_dim)) trainY = np.array(trainY) # 训练模型 for epoch in range(50): # 进行多轮迭代 model.fit(trainX, trainY, epochs=1, batch_size=batch_size, verbose=2, shuffle=False) model.reset_states() # 每次epoch结束后重置状态 # 预测 test_data = np.array([[18], [19], [20]]) # 测试数据 test_data = np.reshape(test_data, (1, look_back, input_dim)) predicted_value = model.predict(test_data, batch_size=batch_size)[^2] print(f"Predicted Value: {predicted_value}") ``` 上述代码展示了如何创建一个多层的状态保持 LSTM 模型，并通过指定 `batch_input_shape` 来定义批量大小和时间步长[^1]。注意，在评估或预测阶段也需要使用相同的批处理大小。 此外，LSTM 是一种特殊的 RNN 结构，能够有效捕捉长时间依赖关系，非常适合用于处理具有顺序特性的单一特征输入数据[^4]。 #### 关于模型训练与评估 训练过程涉及调整模型参数以最小化误差，而评估则是在未见过的数据上测试其泛化能力[^3]。 ---