lstm实现时间序列一维预测

# -*- coding: utf-8 -*-
“““
Created on Fri Nov 17 11:09:14 2017

@author: Administrator

“““
import time
import numpy
from math import sqrt
from numpy import concatenate
from matplotlib import pyplot
from pandas import read_csv
from pandas import Dataframe
from pandas import concat
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import mean_squared_error
from keras.models import Sequential
from keras.layers import DenseActivationdropout
from keras.layers import LSTM


# convert series to supervised learning 将序列转换成监督学习问题
def series_to_supervised（data n_in=1 n_out=1 dropnan=True）:
    n_vars = 1 if type（data） is list else data.shape[1]
    df = Dataframe（data）
    cols names = list（） list（）
    # input sequence （t-n ... t-1）
    for i in range（n_in 0 -1）:
        cols.append（df.shift（i））
        names += [（‘var%d（t-%d）‘ % （j + 1 i）） for j in range（n_vars）]


    # forecast sequence （t t+1 ... t+n）
    for i in range（0 n_out）:
        cols.append（df.shift（-i））
        if i == 0:
            names += [（‘var%d（t）‘ % （j + 1）） for j in range（n_vars）]
        else:
            names += [（‘var%d（t+%d）‘ % （j + 1 i）） for j in range（n_vars）]
    # put it all together
    agg = concat（cols axis=1）
    agg.columns = names
    # drop rows with NaN values
    if dropnan:
        agg.dropna（inplace=True）
    return agg


# load dataset
dataset = read_csv（‘tuoluoyi-A-kewen1-csv.csv‘ header=0 index_col=0）  #header 第一列为编号  index_col为取索引的参数
values = dataset.values
pyplot.figure（1）
pyplot.plot（values） 
pyplot.show（）
# integer encode direction
#encoder = LabelEncoder（）   #简单来说 LabelEncoder 是对不连续的数字或者文本进行编号
#values[: 4] = encoder.fit_transform（values[: 4]）  #将第四列进行文本编码
# ensure all data is float
values = values.astype（‘float32‘）  #转化为浮点型
# normalize features
scaler = MinMaxScaler（feature_range=（0 1））    #归一化处理
scaled = scaler.fit_transform（values）
# frame as supervised learning
reframed = series_to_supervised（scaled 1 1）  #转化为监督学习  设计预测维数
# drop columns we don‘t want to predict
#reframed.drop（reframed.columns[[567]] axis=1 inplace=True） #reframed.drop 删除不预测的列
print（reframed.head（））

# split into train and test sets
values = reframed.values
n_train_hours = 41000
train = values[:n_train_hours :]
test = values[n_train_hours: :]
# split into input and outputs
train_X train_y = train[: :-1]