【Python时序预测系列】一文搞明白时序数据输入到LSTM模型的格式（案例解读）

from tensorflow.keras.layers import LSTM, Dense
from tensorflow.keras.models import Sequential
 
# 假设有一组时序数据，其中包含特征和对应的目标值
# 时序数据格式：[(特征, 目标值), ...]
time_series_data = [...]
 
# 将时序数据转换为LSTM模型所需的输入格式
input_values = [...]  # 应该是将特征转换为模型需要的输入序列的数组
target_values = [...]  # 应该是将目标值转换为模型需要的形式，例如one-hot编码
 
# 定义模型
model = Sequential()
model.add(LSTM(64, input_shape=(timesteps, input_dim)))  # 根据数据调整timesteps和input_dim
model.add(Dense(output_dim, activation='softmax'))  # 根据数据调整output_dim
 
# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
 
# 训练模型
model.fit(input_values, target_values, epochs=10, batch_size=64)
 
# 预测
predictions = model.predict(input_values)

这段代码展示了如何将时序数据转换为适合LSTM模型的输入格式，并训练一个基本的LSTM模型。在实际应用中，需要根据具体的时序数据特点调整时间步长（timesteps）、输入维度（input\_dim）和输出维度（output\_dim）。