LSTM是一種時間遞歸神經網絡，它出現的原因是為了解決RNN的一個致命的缺陷。原生的RNN會遇到一個很大的問題，叫做The vanishing gradient problem for RNNs，也就是后面時間的節點會出現老年癡呆癥，也就是忘事兒，這使得RNN在很長一段時間內都沒有受到關注，網絡只要一深就沒法訓練。后來有些大牛們開始使用遞歸神經網絡來對時間關系進行建模。而根據深度學習三大牛的闡述，LSTM網絡已被證明比傳統的RNNS更加有效。

適合多輸入變量的神經網絡模型一直讓開發人員很頭痛，但基于（LSTM）的循環神經網絡能夠幾乎可以完美的解決多個輸入變量的問題。

基于（LSTM）的循環神經網絡可以很好的利用在時間序列預測上，因為很多古典的線性方法難以適應多變量或多輸入預測問題。

在本教程中，你會看到如何在Keras深度學習庫中開發多變量時間序列預測的LSTM模型。

讀完本教程后，你將學會：

     ·         如何將原始數據集轉換為可用于時間序列預測的數據集。

總結

以上是生活随笔為你收集整理的基于Keras的LSTM多变量时间序列预测的全部內容，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。