今天我們將用 LSTM 來預測時間序列數據。代碼包括兩個版本，第一個是 TensorFlow 1，第二個是 Keras 的，二者有很多地方是差不多的，在 TensorFlow 中給出了很詳細的解釋，在 Keras 中會主要解釋區別之處。

時間序列是指由依賴于時間順序的離散值或連續值所組成的序列。對這類數據來說時間是一個很重要的特征，我們在生活中處處可見這樣的數據，例如氣溫、心電圖、物價、每天的銷售額，每天客服中心接到的電話數量、訪問量、股價、油價、GDP 等等，時間可以用年、季、月、日、小時、分鐘、秒等時間單位來度量。

因為應用非常廣，預測時間序列的方法也有很多很多，大家感興趣可以看這里。

比較著名的統計模型有 Moving Average（MA），Autoregressive Integrated Moving Average（ARIMA），Holt Winter’s Exponential Smoothing（HWES）等等，這些方法一般都需要分析數據的趨勢、季節性、周期性，保持數據的穩定性等條件。

（圖片來自：algorithmia.com）

但在現實生活中，很多時間序列問題的數據構成機制要么非常復雜，要么未知。如果用神經網絡來處理這類問題就不是必須要分析

總結

以上是生活随笔為你收集整理的用 LSTM 预测股票价格的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。