在上一篇中，我们回顾了先知的方法，但是在这个案例中表现也不是特别突出，今天介绍的是著名的l s t m算法，在时间序列中解决了传统r n n算法梯度消失问题的的它这一次还会有令人杰出的表现吗？
长短期记忆(Long Short-Term Memory) 是具有长期记忆能力的一种时间递归神经网络(Recurrent Neural Network)。 其网络结构含有一个或多个具有可遗忘和记忆功能的单元组成。它在1997年被提出用于解决传统RNN(Recurrent Neural Network) 的随时间反向传播中权重消失的问题（vanishing gradient problem over backpropagation-through-time)，重要组成部分包括Forget Gate, Input Gate, 和 Output Gate, 分别负责决定当前输入是否被采纳，是否被长期记忆以及决定在记忆中的输入是否在当前被输出。Gated Recurrent Unit 是 LSTM 众多版本中典型的一个。因为它具有记忆性的功能，LSTM经常被用在具有时间序列特性的数据和场景中。
LSTM 算法广泛应用于序列预测问题中，并被证明是一种非常有效的方法。它们之所表现如此出色，是因为LSTM能够存储重要的既往信息，并忽略不重要的信息。
LSTM有三个门：
- 输入门：输入门将信息添加到细胞状态
- 遗忘门：它移除模型不再需要的信息
- 输出门：LSTM的输出门选择作为输出的信息
要更详细地了解LSTM及其体系结构，可以阅读下面的文章：
- 长短期记忆网络简介
现在，让我们将LSTM实现为一个黑盒，并检查它在特定数据上的性能。
实现
#importing required libraries 导入必要的库函数
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, Dropout, LSTM
#creating dataframe 搭建p d的数据框架，利用循环填充框架的内容
data = df.sort_index(ascending=True, axis=0)
new_data = pd.DataFrame(index=range(0,len(df)),columns=[‘Date‘, ‘Close‘])
for i in range(0,len(data)):
new_data[‘Date‘][i] = data[‘Date‘][i]
new_data[‘Close‘][i] = data[‘Close‘][i]
#setting index 设定数据的索引，刨除date列
new_data.index = new_data.Date
new_data.drop(‘Date‘, axis=1, inplace=True)
#creating train and test sets 划分训练集测试集
dataset = new_data.values
train = dataset[0:987,:]
valid = dataset[987:,:]
#converting dataset into x_train and y_train 将两个数据集归一化处理
scaler = MinMaxScaler(feature_range=(0, 1))
#总数据集归一化
scaled_data = scaler.fit_transform(dataset)
#确定正式训练集测试集，大小是在刚刚划分的数据集合中，按60:1的比例划分，这里的划分不能算是k折交叉验证，知道的朋友麻烦留言解答一下，感谢??
x_train, y_train = [], []
for i in range(60,len(train)):
x_train.append(scaled_data[i-60:i,0])
y_train.append(scaled_data[i,0])
#转为numpy格式
x_train, y_train = np.array(x_train), np.array(y_train)
#重新改变矩阵的大小，这里如果不理解可以参考我的传送门
x_train = np.reshape(x_train, (x_train.shape[0],x_train.shape[1],1))
# create and fit the LSTM network 建立模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(x_train.shape[1],1)))
model.add(LSTM(units=50))
model.add(Dense(1))
#编译模型，并给模型喂数据
model.compile(loss=‘mean_squared_error‘, optimizer=‘adam‘)
model.fit(x_train, y_train, epochs=1, batch_size=1, verbose=2)
#predicting 246 values, using past 60 from the train data 用测试集最后的60个数据
inputs = new_data[len(new_data) - len(valid) - 60:].values
inputs = inputs.reshape(-1,1)
inputs = scaler.transform(inputs)
#取最终的测试集
X_test = []
for i in range(60,inputs.shape[0]):
X_test.append(inputs[i-60:i,0])
X_test = np.array(X_test)
#调整矩阵的规模
X_test = np.reshape(X_test, (X_test.shape[0],X_test.shape[1],1))
#模型预测
closing_price = model.predict(X_test)
closing_price = scaler.inverse_transform(closing_price)
#计算rms
rms=np.sqrt(np.mean(np.power((valid-closing_price),2)))
rms
11.772259608962642
#for plotting 绘画结果
train = new_data[:987]
valid = new_data[987:]
valid[‘Predictions‘] = closing_price
plt.plot(train[‘Close‘])
plt.plot(valid[[‘Close‘,‘Predictions‘]])
推论
LSTM轻松地超越了我们目前看到的任何算法。
LSTM模型可以对各种参数进行调优，如改变LSTM层数、增加dropout值或增加训练迭代轮数（epoch）数。
但LSTM的预测是否足以确定股票价格将上涨还是下跌?当然不行！
正如我在文章开头提到的，股价受到公司新闻和其他因素的影响，如公司的非货币化或合并/分拆。还有一些无形的因素往往是无法事先预测的。
参考：https://www.jiqizhixin.com/articles/2019-01-04-16
原文地址：https://www.cnblogs.com/xingnie/p/12232237.html