LSTM长短期记忆网络预测系统实战：从零搭建到性能优化

1次阅读

共计 2008 个字符，预计需要花费 6 分钟才能阅读完成。

传统 RNN 在处理时间序列数据时，就像用短线串珠子——距离越远的珠子（早期信息），越难被当前节点记住。这是因为 RNN 在反向传播时，梯度会随着时间步长指数级衰减（梯度消失问题）。想象你试图记住 20 天前的股票走势来预测明天，传统 RNN 早就把早期信息忘光了。

这个问题在金融预测（如股价趋势）、气象预测（如台风路径）等需要长期依赖的场景尤为致命。比如预测季度销售额时，春节促销的影响可能持续影响后续 3 个月的数据。

RNN：最基础的循环结构，像一条直线传送带，信息单向流动且容易丢失
GRU：升级版传送带，有「更新门」和「重置门」两个控制阀，能选择性记忆
LSTM：豪华版信息处理系统，配备三个智能门控（后文详解）和独立记忆通道

可以把 LSTM 单元想象成一个智能仓库：

遗忘门：类似库存管理员，决定哪些旧记忆需要丢弃（比如上个月的促销活动已结束）
输入门：负责筛选新进入的信息（比如最新财报数据）
输出门：控制当前要输出什么信息给下一环节

这三个门通过 sigmoid 函数（输出 0 - 1 的值）决定信息通过量，配合 tanh 函数处理记忆内容，完美解决了长期记忆问题。

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# 加载数据（示例用雅虎财经数据）data = pd.read_csv('stock.csv')
prices = data['Close'].values.reshape(-1,1)

# 归一化到 0 - 1 范围
scaler = MinMaxScaler()
scaled_prices = scaler.fit_transform(prices)

# 创建滑动窗口数据集
def create_dataset(data, window_size=60):
    X, y = [], []
    for i in range(len(data)-window_size-1):
        X.append(data[i:(i+window_size), 0])
        y.append(data[i+window_size, 0])
    return np.array(X), np.array(y)

X, y = create_dataset(scaled_prices)
X = np.reshape(X, (X.shape[0], X.shape[1], 1))  # 变成 3D 张量[样本数, 时间步, 特征数]

from keras.models import Sequential
from keras.layers import LSTM, Dense

model = Sequential()
# return_sequences=True 表示返回全部时间步的输出（堆叠 LSTM 时必须）model.add(LSTM(50, return_sequences=True, input_shape=(X.shape[1], 1)))
model.add(LSTM(50))
model.add(Dense(1))

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

from keras.callbacks import EarlyStopping

# 早停法：连续 3 轮验证损失不下降就停止
es = EarlyStopping(monitor='val_loss', patience=3)

history = model.fit(
    X_train, y_train,
    validation_split=0.2,
    epochs=100,
    batch_size=32,
    callbacks=[es],
    verbose=1
)