原文鏈接：http://tecdat.cn/?p=6663
此示例中，神經網絡用於使用2011年4月至2013年2月期間的數據預測都柏林市議會公民辦公室的能源消耗。
每日數據是通過總計每天提供的15分鍾間隔的消耗量來創建的。
LSTM簡介
LSTM（或長期短期存儲器網絡）允許分析具有長期依賴性的順序或有序數據。當涉及到這項任務時，傳統的神經網絡不足，在這方面，LSTM將用於預測這種情況下的電力消耗模式。
與ARIMA等模型相比，LSTM的一個特殊優勢是數據不一定需要是固定的（常數均值，方差和自相關），以便LSTM對其進行分析 - 即使這樣做可能會導致性能提升。
自相關圖，Dickey-Fuller測試和對數變換
為了確定我們的模型中是否存在平穩性：
- 生成自相關和部分自相關圖
- 進行Dickey-Fuller測試
- 對時間序列進行對數變換，並再次運行上述兩個過程，以確定平穩性的變化（如果有的話）
首先，這是時間序列圖：
據觀察，波動性（或消費從一天到下一天的變化）非常高。在這方面，對數變換可以用於嘗試稍微平滑該數據。在此之前，生成ACF和PACF圖，並進行Dickey-Fuller測試。
自相關圖
部分自相關圖
自相關和部分自相關圖都表現出顯着的波動性，這意味着時間序列中的幾個區間存在相關性。
運行Dickey-Fuller測試時，會產生以下結果：
當p值高於0.05時，不能拒絕非平穩性的零假設。
STD1
954.7248
4043.4302
0.23611754
變異系數（或平均值除以標准差）為0.236，表明該系列具有顯着的波動性。
現在，數據被轉換為對數格式。
雖然時間序列仍然不穩定，但當以對數格式表示時，偏差的大小略有下降：
此外，變異系數已顯着下降至0.0319，這意味着與平均值相關的趨勢的可變性顯着低於先前。
STD2 = np.std（數據集）
mean2 = np.mean（數據集）
cv2 = std2 / mean2 #Cafficient of Variation std2
0.26462445 mean2
8.272395 cv2
0.031988855 同樣，在對數數據上生成ACF和PACF圖，並再次進行Dickey-Fuller測試。
自相關圖
偏自相關圖
Dickey-Fuller測試
... print（'\ t％s：％。3f'％（鍵，值））
1％：-3.440
5％： - 2.866
10％： - 2.569 Dickey-Fuller檢驗的p值降至0.0576。雖然這在技術上沒有輸入拒絕零假設所需的5％顯着性閾值，但對數時間序列已顯示基於CV度量的較低波動率，因此該時間序列用於LSTM的預測目的。
LSTM的時間序列分析
現在，LSTM模型本身用於預測目的。
數據處理
首先，導入相關庫並執行數據處理
LSTM生成和預測
模型訓練超過100個時期，並生成預測。
＃生成LSTM網絡
model = Sequential（）
model.add（LSTM（4，input_shape =（1，previous）））
model.fit（X_train，Y_train，epochs = 100，batch_size = 1，verbose = 2）
＃生成預測
trainpred = model.predict（X_train）
＃將預測轉換回正常值
trainpred = scaler.inverse_transform（trainpred）
＃calculate RMSE
trainScore = math.sqrt（mean_squared_error（Y_train [0]，trainpred [：，0]））
＃訓練預測
trainpredPlot = np.empty_like（dataset）
＃測試預測
＃繪制所有預測
inversetransform，= plt.plot（scaler.inverse_transform（dataset））
准確性
該模型顯示訓練數據集的均方根誤差為0.24，測試數據集的均方根誤差為0.23。平均千瓦消耗量（以對數格式表示）為8.27，這意味着0.23的誤差小於平均消耗量的3％。
以下是預測消費與實際消費量的關系圖：
有趣的是，當在原始數據上生成預測（未轉換為對數格式）時，會產生以下訓練和測試錯誤：
在每天平均消耗4043千瓦的情況下，測試分數的均方誤差占總日均消耗量的近20％，並且與對數數據產生的相比非常高。
也就是說，重要的是要記住，使用1天的先前數據進行預測，即Y表示時間t的消耗，而X表示時間t-1的消耗，由代碼中的前一個變量設置先前。讓我們來看看這增加到個究竟10和50天。
10天
＃ 50天
我們可以看到測試誤差在10天和50天期間顯着降低，並且考慮到LSTM模型在預測時考慮了更多的歷史數據，消耗的波動性得到了更好的捕獲。
鑒於數據是對數格式，現在可以通過獲得數據的指數來獲得預測的真實值。
例如，testpred變量用（1，-1）重新整形：
testpred.reshape（1，-1）
array（[[7.7722197,8.277015,8.458941,8.455311,8.447589,8.445035，
......
8.425287,8.404881,8.457063,8.423954,7.98714,7.9003944，
8.240862,8.41654,8.423854,8.437414,8.397851,7.9047146]]，
dtype = float32）結論
對於這個例子，LSTM被證明在預測電力消耗波動方面非常准確。此外，以對數格式表示時間序列允許平滑數據的波動性並提高LSTM的預測准確度。
