首先附上数据集 链接：https://pan.baidu.com/s/1AKsz-ohmYHr9mBEEh76P5g 提取码：6owv 这个数据集是关于股票的，里面有日期，开盘价等信息。 既然是时间序列预测，我们最关心的是预测值在时间维度上的走势如何，那我们只要最后一列volume和第一列date这两列就好了。

先是导入相关包，一些常见的包就不详细说了，我们需要的Sequential，Dense, Activation, Dropout,这些可以在博主上几期关于keras的实战介绍。mean_squared_error是sklearn里面一个评价模型好坏的指标，相对来说越小越好，但也要看数据集值的范围。MinMaxScaler是一个归一化的包，归一化有很多好处，可以让模型算的更快，一些求导呀，梯度下降这些的，归一化后数据小，这些算法自然就运行快。

这个是创建变量x和y的，因为lstm时间序列不像别的回归一个x，另一个值y，lstm的x和y全是一组数据产生的，也就是它自己和自己比。有一个关键的参数是look_back这个按中文直译就是回看，回溯，理解起来也很容易，假如是这个data是[1,2,3,4,5]，look_back为1的话. x [[1] [2] [3]] y就是[2 3 4]，意思就是用前一个数据预测后一个，这是look_back为1的意思。假如是为8，那前8个数据预测第9个数据。小伙伴们可以试试改变这个值，看一下结果是否会更好。 注意维度，维度这样设置一是归一化需要，二是输入网络的要求。 下面这个函数功能就是把data，

读取一下数据，这些参数的意思是，输出series，series的序号就是date，这样方便下面画图，看着也更加直观。因为我们只要首尾2列，那就是0，5.

这里就画一下图，之所以弄成series就是为了用pandas画图。

这里就是归一化操作，有一个feature_range=(0, 1)这个意思是所有数据标准化到0-1区间内，就是归一化的意思，如果(0,100)那就是标准化到0-100这个区间。最后把它转换成列向量

分割数据集，这个很好理解，一会用来测试。

调用前面函数分别生成训练集和测试集的x，y。

建立模型，这里注意下如果是多层lstm的话一定要注意前后维度对接，也就是input和output维度，当前层的input维度是上一次层的output维度。return_sequences=True表示返回这个维度给下面。 剩下的就是很基础且通用的配置了。更详细的在博主另一篇关于keras的实战。

查看一下结构，我们建立的网络层数不多，参数也不多，还不到100万。 设置了个时间，很快，半分钟都不到就训练完50个epoch。validation_split=0.1表示拿出训练集的10%作为验证集，有了验证集能够更好的训练模型，就相当于给模型纠错。 verbose=2表示打印出每个epoch的信息，默认是1，1的话就更好看，因为有个进度条和时间。小伙伴们不妨试试。这里有个history，意思也很容易理解，训练的历史过程，下面会阐述用处。

这就很简单了，把数据丢进去预测。

因为前面进行了归一化，现在的数据都是0-1之间的，这里的作用就是反归一化，让它恢复原来数据范围。

打印一下评分，写到这博主发现小错误，不过懒得改了，下面那个是test score。看到我们的score都非常大，那这是不是说明我们模型很差劲，并不是，这个评分只能参考参考，并不是很绝对。因为我们数据值大，数据都是10的8次方左右。稍微有一点偏差，假如是原来值800000000，预测750000000，其实相差不大，误差才1/16，但是数值大，数值的误差有50000000.这样再平方根号一系列操作后，有可能会更大也有可能变小。总之这个指标只是参考参考。博主写到这里猜想，如果拿没有反归一化的数据进行评分那么是不是评分就很小呢？小伙伴们可以试试。

接下来的操作是为了画图，首先empty_like方法表示创建一个空数组，这个空数组很像dataset，为什么呢，因为维度一样，但是值还没初始化。然后我们让其全为空后进行填值。最后一行的操作相当于是一个100个数值的数值，我填了前面70个，因为前面70个是我训练集的预测值，后面30为空。

那么这里同理，一个100个数值的数值，前面70个为空，那么后面30个就由我测试集的预测值来填充。

这就是前面history的作用了，相当于是记录下来里面训练过程的一些参数变化吧。有一个很重要的就是损失，可以看到我们的损失下降很快，最后也收敛到一个很小的值，还是很不错的。

画图。

蓝色是原始数据，黄色是训练数据训练完再进行预测的。绿色是测试数据。可以看出我们大概趋势是非常符合的。但是有些地方的峰值预测的不够。但整体效果还算不错。

我们把预测的拿出来放大看看。绿色是测试的预测值，蓝色的是原始数据，和前面说的一样，趋势大概相同，但是峰值有误差。还有一个问题就是博主这里的代码是将预测值提前一天画的。因为真实预测出来会有滞后性，就看起来像是原始数据往后平移一天的缘故。但博主查阅了很多资料，暂时没发现很方便能消除lstm滞后性的办法。所以博主姑且认为测试集预测值提前一天的效果为最佳效果，这也是为什么上面代码要+1的原因。如果小伙伴们知道如何方便快捷消除lstm时间序列预测的滞后性，记得给博主留言噢。