文件列表:

LSTM_Fly (0, 2022-01-13)
LSTM_Fly\1.LSTM回归网络(1→1).py (3317, 2022-01-13)
LSTM_Fly\2.移动窗口型回归(3→1).py (3727, 2022-01-13)
LSTM_Fly\3.时间步长型回归(3→1).py (3747, 2022-01-13)
LSTM_Fly\4.批次之间具有记忆的LSTM.py (3984, 2022-01-13)
LSTM_Fly\5.批次之间具有堆叠的LSTM.py (3995, 2022-01-13)
LSTM_Fly\airline-passengers.csv (2186, 2022-01-13)
LSTM系列 (0, 2022-01-13)
LSTM系列\LSTM单变量1 (0, 2022-01-13)
LSTM系列\LSTM单变量1\data_set (0, 2022-01-13)
LSTM系列\LSTM单变量1\data_set\shampoo-sales.csv (714, 2022-01-13)
LSTM系列\LSTM单变量1\香皂销售预测.py (1988, 2022-01-13)
LSTM系列\LSTM单变量2 (0, 2022-01-13)
LSTM系列\LSTM单变量2\data_set (0, 2022-01-13)
LSTM系列\LSTM单变量2\data_set\shampoo-sales.csv (699, 2022-01-13)
LSTM系列\LSTM单变量2\data_set\shampoo-sales1.csv (244, 2022-01-13)
LSTM系列\LSTM单变量2\时间序列转换成稳定数据.py (1711, 2022-01-13)
LSTM系列\LSTM单变量2\时间序列转监督学习数据.py (1735, 2022-01-13)
LSTM系列\LSTM单变量2\观测值缩放.py (1397, 2022-01-13)
LSTM系列\LSTM单变量3 (0, 2022-01-13)
LSTM系列\LSTM单变量3\LSTM模型开发.py (6431, 2022-01-13)
LSTM系列\LSTM单变量4 (0, 2022-01-13)
LSTM系列\LSTM单变量4\data_set (0, 2022-01-13)
LSTM系列\LSTM单变量4\data_set\shampoo-sales.csv (699, 2022-01-13)
LSTM系列\LSTM单变量4\data_set\shampoo-sales1.csv (244, 2022-01-13)
LSTM系列\LSTM单变量4\完整的LSTM案例.py (4736, 2022-01-13)
LSTM系列\LSTM单变量5 (0, 2022-01-13)
LSTM系列\LSTM单变量5\更健壮的LSTM案例.py (4874, 2022-01-13)
LSTM系列\LSTM多变量1 (0, 2022-01-13)
LSTM系列\LSTM多变量1\data_set (0, 2022-01-13)
LSTM系列\LSTM多变量1\data_set\air_pollution.csv (1966669, 2022-01-13)
LSTM系列\LSTM多变量1\data_set\air_pollution_new.csv (2301672, 2022-01-13)
LSTM系列\LSTM多变量1\data_set\pollution.csv (1966668, 2022-01-13)
LSTM系列\LSTM多变量1\数据输出.py (785, 2022-01-13)
LSTM系列\LSTM多变量1\预处理.py (788, 2022-01-13)
LSTM系列\LSTM多变量2 (0, 2022-01-13)
LSTM系列\LSTM多变量2\LSTM数据预处理.py (2103, 2022-01-13)
LSTM系列\LSTM多变量2\data_set (0, 2022-01-13)
... ...

# LSTM 时间序列分析预测 目录 使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗,数据特征提取,数据建模,数据预测。 ## 想学习更多深度学习项目,可访问如下链接 1.通过自回归(AR,ARIMA)模型进行时间序列预测合集:https://github.com/yangwohenmai/TimeSeriesForecasting 2.通过深度学习模型进行时间序列预测合集:https://github.com/yangwohenmai/DeepLearningForTSF 3.基于NLP的文本分析项目合集:https://github.com/yangwohenmai/NLP # LSTM 时间序列分析预测 目录 # 一、LSTM系列 ### 1.LSTM单变量(shampoo-sales) + ***1_1.LSTM单变量1*** ``` 1.香皂销售预测(很多饮料瓶图标) ``` + ***1_2.LSTM单变量2*** ``` 1.观测值缩放 2.时间序列转换成稳定数据 3.时间序列转监督学习数据 ``` + ***1_3.LSTM单变量3*** ``` 1.LSTM模型开发 ``` + ***1_4.LSTM单变量4*** ``` 1.完整的LSTM案例 ``` + ***1_5.LSTM单变量5*** ``` 1.更健壮的LSTM案例 ``` ### 2.LSTM多变量(air_pollution) + ***1_1.LSTM多变量1*** ``` 1.数据输出 2.预处理 ``` + ***1_2.LSTM多变量2*** ``` 1.LSTM数据预处理 ``` + ***1_3.LSTM多变量3*** ``` 1.定义&训练模型 2.数据预处理 ``` ### 3.Multi-Step LSTM预测(shampoo-sales) + ***1_1.Multi-Step LSTM预测1*** ``` 1.静态模型预测 ``` + ***1_2.Multi-Step LSTM预测2*** ``` 1.多步预测的LSTM网络 ``` # 二、LSTM_Fly(airline-passengers) ``` 1.LSTM回归网络(1→1) 2.移动窗口型回归(3→1) 3.时间步长型回归(3→1) 4.批次之间具有记忆的LSTM 5.批次之间具有堆叠的LSTM ``` # 长短周期记忆网络(LSTM) ## 一、LSTM的特性 ### 1.使用编码器-解码器LSTM来回显随机整数序列 ``` 01.准备回声序列数据 02.预测回声序列 03.编码器 - 解码器模型 04.代码2回声序列的一个简易版,可观测数据 ``` ### 2.输入输出对和TimeDistributed ``` 01.一对一LSTM 02.多对一LSTM(没有TimeDistributed) 03.多对多LSTM(具有TimeDistributed) ``` ### 3.有状态网络的输入输出对预测 ``` 01.输入-输出对 02.重塑数据 03.有状态的LSTM网络的完整示例 ``` ## 二、Keras中长短期记忆模型的5步生命周期 ``` 01.Keras中长短期记忆模型的5步操作 02.Keras中长短期记忆模型的5步操作代码分析 ``` ## 三、LSTM的数据准备 ### 1.处理序列预测中的缺失时间步长 ``` 01.创建一个序列的演示 02.对缺失值进行学习 03.忽略缺失的学习 04.删除缺失的序列数据 05.替换缺失的序列数据 ``` ### 2.归一化标准化长短期内存网络的数据 ``` 01.标准化 02.归一化 ``` ### 3.使用差异变换消除趋势和季节性 ``` 01.差分用于消除季节性 02.差分用于消除趋势 ``` ### 4.在编写one-hot编码序列数据 ``` 01.one-hotenoder与Keras 02.one-hotenoder与scikit学习 03.手动one-hotenoder ``` ### 5.重塑Keras中长短期内存网络的输入数据 ``` 01.单输入样本的LSTM示例 02.具有多个输入功能的LSTM示例 03.如何为长短期记忆网络准备单变量时间序列数据 ``` ## 四、使用LSTM建模 ### 1.堆叠的长短期记忆网络 ``` 01.在Keras中实现堆叠LSTM 2D输出 02.在Keras中实现堆叠LSTM 3D输出 ``` ### 2.如何调用Keras中的长短期记忆模型 ``` 01.保存模型并加载 ``` ### 3.如何诊断LSTM模型的过度拟合和欠拟合 ``` 01.训练周期不足 02.合格的例子 03.过度拟合的例子 04.多次拟合评估 ``` ## 五、LSTM实例 ### 1.空气质量(多变量预测) ``` 01.数据准备 02.数据画图展示 03.将数据转换成监督学习数据 04.一天预测一天 05.三天预测一天 ``` ### 2.洗发水销量(单步预测) ``` 01.数据集图示 02.构造简单的滞后模型 03.构造监督型数据结构 04.数据差分法 05.数据缩放法 06.LSTM模型实例 07.LSTM模型性能测评 08.代入股票数据测试 09.不做差分的股票数据预测 10.抽取数据做验证集画损失图 ``` ### 3.洗发水销量(多步预测) ``` 01.数据集图示 02.监督学习型数据准备 03.静态假数据预测效果 04.训练神经网络预测 ```

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：