基本信息
源码名称：LSTM 时间序列分析预测
源码大小：5.42M
文件格式：.zip
开发语言：Python
更新时间：2022-01-04
友情提示：（无需注册或充值，赞助后即可获取资源下载链接）
嘿，亲！知识可是无价之宝呢，但咱这精心整理的资料也耗费了不少心血呀。小小地破费一下，绝对物超所值哦！如有下载和支付问题，请联系我们QQ(微信同号)：813200300
本次赞助数额为： 2 元×
微信扫码支付：2 元
×
请留下您的邮箱，我们将在2小时内将文件发到您的邮箱
源码介绍
.
├── LSTM-master
│ ├── LSTM_Fly
│ │ ├── 1.LSTM回归网络(1→1).py
│ │ ├── 2.移动窗口型回归(3→1).py
│ │ ├── 3.时间步长型回归(3→1).py
│ │ ├── 4.批次之间具有记忆的LSTM.py
│ │ ├── 5.批次之间具有堆叠的LSTM.py
│ │ ├── A_ReadMeLink.txt
│ │ └── airline-passengers.csv
│ ├── LSTM系列
│ │ ├── LSTM单变量1
│ │ │ ├── data_set
│ │ │ │ └── shampoo-sales.csv
│ │ │ └── 香皂销售预测.py
│ │ ├── LSTM多变量1
│ │ │ ├── data_set
│ │ │ │ ├── air_pollution.csv
│ │ │ │ ├── air_pollution_new.csv
│ │ │ │ └── pollution.csv
│ │ │ ├── 预处理.py
│ │ │ └── 数据输出.py
│ │ ├── LSTM单变量2
│ │ │ ├── data_set
│ │ │ │ ├── shampoo-sales.csv
│ │ │ │ └── shampoo-sales1.csv
│ │ │ ├── 观测值缩放.py
│ │ │ ├── 时间序列转换成稳定数据.py
│ │ │ └── 时间序列转监督学习数据.py
│ │ ├── LSTM多变量2
│ │ │ ├── LSTM数据预处理.py
│ │ │ └── data_set
│ │ │ ├── air_pollution.csv
│ │ │ └── air_pollution_new.csv
│ │ ├── LSTM单变量3
│ │ │ └── LSTM模型开发.py
│ │ ├── LSTM多变量3
│ │ │ ├── data_set
│ │ │ │ ├── air_pollution.csv
│ │ │ │ ├── air_pollution_new.csv
│ │ │ │ ├── pollution.csv
│ │ │ │ └── raw.csv
│ │ │ ├── 定义&训练模型.py
│ │ │ └── 数据预处理.py
│ │ ├── LSTM单变量4
│ │ │ ├── data_set
│ │ │ │ ├── shampoo-sales.csv
│ │ │ │ └── shampoo-sales1.csv
│ │ │ └── 完整的LSTM案例.py
│ │ ├── LSTM单变量5
│ │ │ └── 更健壮的LSTM案例.py
│ │ ├── Multi-Step LSTM预测1
│ │ │ ├── data_set
│ │ │ │ ├── shampoo-sales.csv
│ │ │ │ └── shampoo-sales1.csv
│ │ │ └── 静态模型预测.py
│ │ └── Multi-Step LSTM预测2
│ │ ├── data_set
│ │ │ ├── shampoo-sales.csv
│ │ │ └── shampoo-sales1.csv
│ │ └── 多步预测的LSTM网络.py
│ ├── README.md
│ ├── stock_predict
│ │ ├── dataset_1.csv
│ │ ├── dataset_2.csv
│ │ ├── model_save1
│ │ │ ├── checkpoint
│ │ │ ├── modle.ckpt.data-00000-of-00001
│ │ │ ├── modle.ckpt.index
│ │ │ └── modle.ckpt.meta
│ │ ├── model_save2
│ │ │ ├── checkpoint
│ │ │ ├── modle.ckpt.data-00000-of-00001
│ │ │ ├── modle.ckpt.index
│ │ │ └── modle.ckpt.meta
│ │ ├── stock_predict_1.py
│ │ └── stock_predict_2.py
│ └── 长短期记忆(LSTM)
│ ├── Keras中长短期记忆模型的5步生命周期
│ │ ├── A_ReadMeLink.txt
│ │ ├── Keras中长短期记忆模型的5步操作.py
│ │ └── Keras中长短期记忆模型的5步操作代码分析.py
│ ├── LSTM实例
│ │ ├── 空气质量(多变量预测)
│ │ │ ├── 1.数据准备.py
│ │ │ ├── 2.数据画图展示.py
│ │ │ ├── 3.将数据转换成监督学习数据.py
│ │ │ ├── 4.一天预测一天.py
│ │ │ ├── 5.三天预测一天.py
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── pollution.csv
│ │ │ └── raw.csv
│ │ ├── 洗发水销量(单步预测)
│ │ │ ├── 1.数据集图示.py
│ │ │ ├── 10.抽取数据做验证集画损失图.py
│ │ │ ├── 2.构造简单的滞后模型.py
│ │ │ ├── 3.构造监督型数据结构.py
│ │ │ ├── 4.数据差分法.py
│ │ │ ├── 5.数据缩放法.py
│ │ │ ├── 6.LSTM模型实例.py
│ │ │ ├── 7.LSTM模型性能测评.py
│ │ │ ├── 8.代入股票数据测试.py
│ │ │ ├── 9.不做差分的股票数据预测.py
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── shampoo-sales.csv
│ │ │ └── stocktest.csv
│ │ └── 洗发水销量(多步预测)
│ │ ├── 1.数据集图示.py
│ │ ├── 2.监督学习型数据准备.py
│ │ ├── 3.静态假数据预测效果.py
│ │ ├── 4.训练神经网络预测.py
│ │ ├── A_ReadMeLink.txt
│ │ └── shampoo-sales.csv
│ ├── LSTM的特性
│ │ ├── 使用编码器-解码器LSTM来回显随机整数序列
│ │ │ ├── 1.准备回声序列数据.py
│ │ │ ├── 2.预测回声序列.py
│ │ │ ├── 3.编码器 - 解码器模型.py
│ │ │ └── 4.代码2回声序列的一个简易版,可观测数据.py
│ │ ├── 输入输出对和TimeDistributed
│ │ │ ├── 1.一对一LSTM.py
│ │ │ ├── 2.多对一LSTM(没有TimeDistributed).py
│ │ │ ├── 3.多对多LSTM(具有TimeDistributed).py
│ │ │ └── A_ReadMeLink.txt
│ │ └── 有状态网络的输入输出对预测
│ │ ├── 1.输入-输出对.py
│ │ ├── 2.重塑数据.py
│ │ ├── 3.有状态的LSTM网络的完整示例.py
│ │ └── A_ReadMeLink.txt
│ ├── LSTM的数据准备
│ │ ├── 重塑Keras中长短期内存网络的输入数据
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── 单输入样本的LSTM示例.py
│ │ │ ├── 具有多个输入功能的LSTM示例.py
│ │ │ └── 如何为长短期记忆网络准备单变量时间序列数据.py
│ │ ├── 在编写one-hot编码序列数据
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── one-hotenoder与Keras.py
│ │ │ ├── one-hotenoder与scikit学习.py
│ │ │ └── 手动one-hotenoder.py
│ │ ├── 使用差异变换消除趋势和季节性
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── 差分用于消除趋势.py
│ │ │ └── 差分用于消除季节性.py
│ │ ├── 处理序列预测中的缺失时间步长
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── 忽略缺失的学习.py
│ │ │ ├── 对缺失值进行学习.py
│ │ │ ├── 创建一个序列的演示.py
│ │ │ ├── 删除缺失的序列数据.py
│ │ │ └── 替换缺失的序列数据.py
│ │ └── 归一化标准化长短期内存网络的数据
│ │ ├── A_ReadMeLink.txt
│ │ ├── 归一化.py
│ │ └── 标准化.py
│ └── 使用LSTM建模
│ ├── 如何调用Keras中的长短期记忆模型
│ │ ├── A_ReadMeLink.txt
│ │ ├── lstm_model.h5
│ │ └── 保存模型并加载.py
│ ├── 如何诊断LSTM模型的过度拟合和欠拟合
│ │ ├── 1.训练周期不足.py
│ │ ├── 2.隐藏层节点过少.py
│ │ ├── 3.合格的例子.py
│ │ ├── 4.过度拟合的例子.py
│ │ ├── 5.多次拟合评估.py
│ │ └── A_ReadMeLink.txt
│ └── 堆叠的长短期记忆网络
│ ├── A_ReadMeLink.txt
│ ├── 在Keras中实现堆叠LSTM 2D输出.py
│ └── 在Keras中实现堆叠LSTM 3D输出.py
└── 好例子网_LSTM-master.zip
44 directories, 127 files
LSTM 时间序列分析预测
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。
.
├── LSTM-master
│ ├── LSTM_Fly
│ │ ├── 1.LSTM回归网络(1→1).py
│ │ ├── 2.移动窗口型回归(3→1).py
│ │ ├── 3.时间步长型回归(3→1).py
│ │ ├── 4.批次之间具有记忆的LSTM.py
│ │ ├── 5.批次之间具有堆叠的LSTM.py
│ │ ├── A_ReadMeLink.txt
│ │ └── airline-passengers.csv
│ ├── LSTM系列
│ │ ├── LSTM单变量1
│ │ │ ├── data_set
│ │ │ │ └── shampoo-sales.csv
│ │ │ └── 香皂销售预测.py
│ │ ├── LSTM多变量1
│ │ │ ├── data_set
│ │ │ │ ├── air_pollution.csv
│ │ │ │ ├── air_pollution_new.csv
│ │ │ │ └── pollution.csv
│ │ │ ├── 预处理.py
│ │ │ └── 数据输出.py
│ │ ├── LSTM单变量2
│ │ │ ├── data_set
│ │ │ │ ├── shampoo-sales.csv
│ │ │ │ └── shampoo-sales1.csv
│ │ │ ├── 观测值缩放.py
│ │ │ ├── 时间序列转换成稳定数据.py
│ │ │ └── 时间序列转监督学习数据.py
│ │ ├── LSTM多变量2
│ │ │ ├── LSTM数据预处理.py
│ │ │ └── data_set
│ │ │ ├── air_pollution.csv
│ │ │ └── air_pollution_new.csv
│ │ ├── LSTM单变量3
│ │ │ └── LSTM模型开发.py
│ │ ├── LSTM多变量3
│ │ │ ├── data_set
│ │ │ │ ├── air_pollution.csv
│ │ │ │ ├── air_pollution_new.csv
│ │ │ │ ├── pollution.csv
│ │ │ │ └── raw.csv
│ │ │ ├── 定义&训练模型.py
│ │ │ └── 数据预处理.py
│ │ ├── LSTM单变量4
│ │ │ ├── data_set
│ │ │ │ ├── shampoo-sales.csv
│ │ │ │ └── shampoo-sales1.csv
│ │ │ └── 完整的LSTM案例.py
│ │ ├── LSTM单变量5
│ │ │ └── 更健壮的LSTM案例.py
│ │ ├── Multi-Step LSTM预测1
│ │ │ ├── data_set
│ │ │ │ ├── shampoo-sales.csv
│ │ │ │ └── shampoo-sales1.csv
│ │ │ └── 静态模型预测.py
│ │ └── Multi-Step LSTM预测2
│ │ ├── data_set
│ │ │ ├── shampoo-sales.csv
│ │ │ └── shampoo-sales1.csv
│ │ └── 多步预测的LSTM网络.py
│ ├── README.md
│ ├── stock_predict
│ │ ├── dataset_1.csv
│ │ ├── dataset_2.csv
│ │ ├── model_save1
│ │ │ ├── checkpoint
│ │ │ ├── modle.ckpt.data-00000-of-00001
│ │ │ ├── modle.ckpt.index
│ │ │ └── modle.ckpt.meta
│ │ ├── model_save2
│ │ │ ├── checkpoint
│ │ │ ├── modle.ckpt.data-00000-of-00001
│ │ │ ├── modle.ckpt.index
│ │ │ └── modle.ckpt.meta
│ │ ├── stock_predict_1.py
│ │ └── stock_predict_2.py
│ └── 长短期记忆(LSTM)
│ ├── Keras中长短期记忆模型的5步生命周期
│ │ ├── A_ReadMeLink.txt
│ │ ├── Keras中长短期记忆模型的5步操作.py
│ │ └── Keras中长短期记忆模型的5步操作代码分析.py
│ ├── LSTM实例
│ │ ├── 空气质量(多变量预测)
│ │ │ ├── 1.数据准备.py
│ │ │ ├── 2.数据画图展示.py
│ │ │ ├── 3.将数据转换成监督学习数据.py
│ │ │ ├── 4.一天预测一天.py
│ │ │ ├── 5.三天预测一天.py
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── pollution.csv
│ │ │ └── raw.csv
│ │ ├── 洗发水销量(单步预测)
│ │ │ ├── 1.数据集图示.py
│ │ │ ├── 10.抽取数据做验证集画损失图.py
│ │ │ ├── 2.构造简单的滞后模型.py
│ │ │ ├── 3.构造监督型数据结构.py
│ │ │ ├── 4.数据差分法.py
│ │ │ ├── 5.数据缩放法.py
│ │ │ ├── 6.LSTM模型实例.py
│ │ │ ├── 7.LSTM模型性能测评.py
│ │ │ ├── 8.代入股票数据测试.py
│ │ │ ├── 9.不做差分的股票数据预测.py
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── shampoo-sales.csv
│ │ │ └── stocktest.csv
│ │ └── 洗发水销量(多步预测)
│ │ ├── 1.数据集图示.py
│ │ ├── 2.监督学习型数据准备.py
│ │ ├── 3.静态假数据预测效果.py
│ │ ├── 4.训练神经网络预测.py
│ │ ├── A_ReadMeLink.txt
│ │ └── shampoo-sales.csv
│ ├── LSTM的特性
│ │ ├── 使用编码器-解码器LSTM来回显随机整数序列
│ │ │ ├── 1.准备回声序列数据.py
│ │ │ ├── 2.预测回声序列.py
│ │ │ ├── 3.编码器 - 解码器模型.py
│ │ │ └── 4.代码2回声序列的一个简易版,可观测数据.py
│ │ ├── 输入输出对和TimeDistributed
│ │ │ ├── 1.一对一LSTM.py
│ │ │ ├── 2.多对一LSTM(没有TimeDistributed).py
│ │ │ ├── 3.多对多LSTM(具有TimeDistributed).py
│ │ │ └── A_ReadMeLink.txt
│ │ └── 有状态网络的输入输出对预测
│ │ ├── 1.输入-输出对.py
│ │ ├── 2.重塑数据.py
│ │ ├── 3.有状态的LSTM网络的完整示例.py
│ │ └── A_ReadMeLink.txt
│ ├── LSTM的数据准备
│ │ ├── 重塑Keras中长短期内存网络的输入数据
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── 单输入样本的LSTM示例.py
│ │ │ ├── 具有多个输入功能的LSTM示例.py
│ │ │ └── 如何为长短期记忆网络准备单变量时间序列数据.py
│ │ ├── 在编写one-hot编码序列数据
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── one-hotenoder与Keras.py
│ │ │ ├── one-hotenoder与scikit学习.py
│ │ │ └── 手动one-hotenoder.py
│ │ ├── 使用差异变换消除趋势和季节性
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── 差分用于消除趋势.py
│ │ │ └── 差分用于消除季节性.py
│ │ ├── 处理序列预测中的缺失时间步长
│ │ │ ├── A_ReadMeLink.txt
│ │ │ ├── 忽略缺失的学习.py
│ │ │ ├── 对缺失值进行学习.py
│ │ │ ├── 创建一个序列的演示.py
│ │ │ ├── 删除缺失的序列数据.py
│ │ │ └── 替换缺失的序列数据.py
│ │ └── 归一化标准化长短期内存网络的数据
│ │ ├── A_ReadMeLink.txt
│ │ ├── 归一化.py
│ │ └── 标准化.py
│ └── 使用LSTM建模
│ ├── 如何调用Keras中的长短期记忆模型
│ │ ├── A_ReadMeLink.txt
│ │ ├── lstm_model.h5
│ │ └── 保存模型并加载.py
│ ├── 如何诊断LSTM模型的过度拟合和欠拟合
│ │ ├── 1.训练周期不足.py
│ │ ├── 2.隐藏层节点过少.py
│ │ ├── 3.合格的例子.py
│ │ ├── 4.过度拟合的例子.py
│ │ ├── 5.多次拟合评估.py
│ │ └── A_ReadMeLink.txt
│ └── 堆叠的长短期记忆网络
│ ├── A_ReadMeLink.txt
│ ├── 在Keras中实现堆叠LSTM 2D输出.py
│ └── 在Keras中实现堆叠LSTM 3D输出.py
└── 好例子网_LSTM-master.zip
44 directories, 127 files