### LSTM时间序列预测Python代码示例 以下是一个完整的LSTM时间序列预测的Python代码示例，涵盖了数据预处理、模型构建、训练和预测的全过程。代码使用Keras库实现LSTM模型，并基于一个简单的时间序列数据集进行演示。 ```python import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler from keras.models import Sequential from keras.layers import LSTM, Dense import matplotlib.pyplot as plt # 1. 生成示例数据集 def generate_data(): # 创建一个简单的正弦波时间序列 time = np.arange(0, 100, 0.1) data = np.sin(time) + np.random.normal(0, 0.1, len(time)) # 添加噪声 return data # 2. 数据预处理 def preprocess_data(data, time_step=48, train_ratio=0.7, val_ratio=0.15): # 数据归一化 scaler = MinMaxScaler(feature_range=(0, 1)) data_scaled = scaler.fit_transform(data.reshape(-1, 1)) # 构建输入输出序列 X, y = [], [] for i in range(len(data_scaled) - time_step): X.append(data_scaled[i:i+time_step, 0]) y.append(data_scaled[i+time_step, 0]) X, y = np.array(X), np.array(y) # 划分训练集、验证集和测试集 train_size = int(len(X) * train_ratio) val_size = int(len(X) * val_ratio) X_train, X_val, X_test = X[:train_size], X[train_size:train_size+val_size], X[train_size+val_size:] y_train, y_val, y_test = y[:train_size], y[train_size:train_size+val_size], y[train_size+val_size:] # 调整输入形状以适应LSTM [samples, time steps, features] X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], 1)) X_val = X_val.reshape((X_val.shape[0], X_val.shape[1], 1)) X_test = X_test.reshape((X_test.shape[0], X_test.shape[1], 1)) return X_train, X_val, X_test, y_train, y_val, y_test, scaler # 3. 构建LSTM模型 def build_lstm_model(input_shape): model = Sequential([ LSTM(50, return_sequences=True, input_shape=input_shape), LSTM(50, return_sequences=False), Dense(25, activation='relu'), Dense(1) ]) model.compile(optimizer='adam', loss='mse') return model # 4. 训练模型 def train_model(model, X_train, y_train, X_val, y_val, epochs=50, batch_size=32): history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=epochs, batch_size=batch_size, verbose=1) return history # 5. 预测与反归一化 def predict_and_inverse(model, X_test, y_test, scaler): predictions = model.predict(X_test) # 反归一化 predictions = scaler.inverse_transform(predictions) y_test_original = scaler.inverse_transform(y_test.reshape(-1, 1)) return predictions, y_test_original # 6. 可视化结果 def plot_results(y_true, y_pred): plt.figure(figsize=(10, 6)) plt.plot(y_true, label='True Value') plt.plot(y_pred, label='Predicted Value') plt.legend() plt.show() # 主程序 if __name__ == "__main__": # 参数设置 time_step = 48 # 输入时间步长 epochs = 50 batch_size = 32 # 生成数据 data = generate_data() # 数据预处理 X_train, X_val, X_test, y_train, y_val, y_test, scaler = preprocess_data(data, time_step) # 构建模型 model = build_lstm_model((time_step, 1)) # 训练模型 history = train_model(model, X_train, y_train, X_val, y_val, epochs, batch_size) # 预测与反归一化 predictions, y_test_original = predict_and_inverse(model, X_test, y_test, scaler) # 可视化结果 plot_results(y_test_original, predictions) ``` #### 代码说明 1. **数据生成**：使用`generate_data()`函数生成一个带有噪声的正弦波作为时间序列数据集。实际应用中可以替换为真实数据。 2. **数据预处理**： - 使用`MinMaxScaler`对数据进行归一化处理，以提高LSTM模型的训练效果。 - 将时间序列数据构造成适合LSTM模型的输入格式，即`[samples, time steps, features]`。 - 按照指定比例划分训练集、验证集和测试集。 3. **模型构建**：使用Keras的`Sequential` API构建一个包含两个LSTM层的神经网络模型，最后一层为全连接层用于输出预测值。 4. **模型训练**：使用`adam`优化器和均方误差（MSE）作为损失函数进行训练，训练过程中使用验证集监控模型性能。 5. **预测与反归一化**：对测试集进行预测，并将预测结果和真实值反归一化以便可视化和评估。 6. **结果可视化**：使用`matplotlib`绘制真实值和预测值的对比图，直观展示模型的预测效果。 该代码示例适用于单步预测任务，若需进行多步预测，可以参考引用[^3]中的参数设置，调整`output_length`并修改模型结构以支持多步输出。 ---