前提：数据集还是之前几篇文章的那个数据集

LSTM的应用现状

长短期记忆神经网络（LSTM）是一种特殊的循环神经网络(RNN)。原始的RNN在训练中，随着训练时间的加长以及网络层数的增多，很容易出现梯度爆炸或者梯度消失的问题，导致无法处理较长序列数据，从而无法获取长距离数据的信息。

LSTM应用的领域包括：文本生成、机器翻译、语音识别、生成图像描述和视频标记等。

LSTM预测股票收盘价格

提取数据

<code>from keras.models import Sequential

from keras.layers import LSTM, Dense

from sklearn.preprocessing import MinMaxScaler

import pandas as pd

import numpy as np

# 读取平安银行股票数据并将date日期作为索引

data = pd.read_csv('./000001.XSHE.csv',index_col='trade_date')code>

data

<code># 提取训练数据

new_data = data['close'] # 我们预测的是收盘价，所以单独提取出close收盘价数据

train_data = new_data[:2500] # 将股票的百分之70作为训练数据

#把训练数据转化为列向量

train_prices = train_data.values.reshape(-1, 1)

train_prices

数据归一化

归一化的意义¶

避免特征间的量纲不同带来的影响: 当特征的取值范围不同时，某些机器学习算法可能会因为特征值的差异而表现不佳。归一化可以将所有特征的值都缩放到相似的范围内，使得各个特征对模型的影响权重基本相同。

加速模型收敛: 对数据进行归一化可以使得优化算法（如梯度下降法）更快收敛，因为特征值相似范围内的数据更容易找到全局最优解或局部最优解。

提高模型的精度和稳定性: 归一化可以减少数据范围对模型训练过程的影响，提高模型的泛化能力和稳定性。

<code># 数据归一化

#Step 1: 初始化归一化器

#feature_range=(0, 1) 参数指定了将数据缩放到 [0, 1] 的范围内。

scaler = MinMaxScaler(feature_range=(0, 1))

#对训练数据进行拟合和转换

#scaler.fit(train_prices): 这一步是拟合归一化器，计算训练数据 train_prices 的最小值和最大值。

#scaler.transform(train_prices): 接着，transform 方法将 train_prices 数据根据已计算的最小值和最大值进行缩放转换

train_scaled = scaler.fit_transform(train_prices)

train_scaled

创建训练数据集

<code># 创建训练数据集

X_train = []

y_train = []

#个样本将由过去 30 个时间步的数据组成作为特征输入。

timesteps = 30 # 时间步长(指定了每个训练样本（或者说每个输入序列）包含的时间步数量)

for i in range(timesteps, len(train_scaled)):

#对于每个 i，将 train_scaled 中从 i-timesteps 到 i-1 的数据切片取出，即过去 timesteps 个时间步的数据。

#这个数据是列向量的数据，保证每个x都有timesteps 个时间步的数据

X_train.append(train_scaled[i - timesteps:i, 0])

#对于每个 i，将 train_scaled 中第 i 个时间步的第一个特征值（即下一个时间步的数据）添加到 y_train 中。

#这些值将作为对应训练样本的目标输出。

y_train.append(train_scaled[i, 0])

# 将训练数据转为数组形式

X_train, y_train = np.array(X_train), np.array(y_train)

# 调整输入数据的维度

"""

在使用 RNN 或者 LSTM 等模型时，输入数据的形状应为 (samples, timesteps, features)。

X_train.shape[0] 是样本数量，X_train.shape[1] 是时间步数。

np.reshape 用来将 X_train 的形状调整为 (samples, timesteps, 1)，其中 1 表示每个时间步只有一个特征（单变量时间序列预测

"""

X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))

X_train

构建LSTM模型

<code>from keras.callbacks import EarlyStopping

# 构建LSTM模型

#创建一个序贯模型，即层的线性堆叠

model = Sequential()

#添加一个具有 50 个 LSTM 单元的层。return_sequences=True 表示该层将返回完整的输出序列而不仅仅是最后一个时间步的输出。

#input_shape=(X_train.shape[1], 1) 指定输入数据的形状，其中 X_train.shape[1] 对应于每个样本的特征数，这里是时间步数（timesteps），1 是每个时间步的特征数。

model.add(LSTM(50, return_sequences=True, input_shape=(X_train.shape[1], 1)))

#添加第二个具有 50 个 LSTM 单元的层，这一层默认的 return_sequences 为 False，即默认只返回最后一个时间步的输出。

model.add(LSTM(50))

#Dense(1) 添加一个全连接层，输出维度为 1，用于预测单一数值。

model.add(Dense(1))

# 编译模型

#loss='mean_squared_error' 指定损失函数为均方误差，适合回归问题，用于衡量预测值与实际值之间的差距。code>

#optimizer='adam' 指定优化器为 Adam，这是一种常用的随机优化算法，适合大多数情况。code>

model.compile(loss='mean_squared_error', optimizer='adam')code>

# 创建一个早停法的回调函数

#早停法（Early Stopping）是一种常用的正则化技术，它的作用是帮助防止模型在训练过程中过拟合。早停法通过监控验证集（或测试集）的性能指标，当模型在验证集上的性能不再提升或开始下降时，停止模型的训练，从而避免模型在训练数据上过度拟合

early_stop = EarlyStopping(monitor='val_loss', patience=10, verbose=1)code>

# 拟合模型

#epochs=100 指定训练轮数，即整个数据集将被训练 100 次。

#batch_size=32 指定每次训练的样本数目，每次更新模型的参数（权重）时使用的样本数。

#validation_split=0.2 表示将训练数据的 20% 用作验证集。这种方法适用于没有单独验证集的情况。

history = model.fit(X_train, y_train, epochs=100, batch_size=32, validation_split=0.2, callbacks=[early_stop])