lstm預測股票

① LSTM timestep設為1是不是就和普通BP神經網路做時間序列預測沒有區別

可以先根據經驗設置一個目標維度 降維後 計算降維後的相關系數矩陣 並繪制heatmap 將相關系數在指定閾值以上的特徵丟掉 再次降維 反復進行
也可以降到目標維度後 向三維或者二維做投影 藉助人類視覺 選擇合適的

② 如何在python中用lstm網路進行時間序列預測

時間序列建模器 圖表那個選項卡 左下勾選 擬合值 就可以了。我的為什麼不出現預測值啊啊啊啊~~

③ 請教用人工神經網路進行股票預測在weka

預測股票可不是有以往股票數據就能的，要考慮因果性，現實事件與股票波動有因果性，也就是時序性。在這情況下有LSTM單元組成循環神經網路可以做到，但訓練集的強度跟體積可是很大的，這需要注意。

④ lstm做交通預測的輸入輸出是什麼樣的

間序列預測分析就是利用過去一段時間內某事件時間的特徵來預測未來一段時間內該事件的特徵。這是一類相對比較復雜的預測建模問題，和回歸分析模型的預測不同，時間序列模型是依賴於事件發生的先後順序的，同樣大小的值改變順序後輸入模型產生的結果是不同的。
舉個栗子：根據過去兩年某股票的每天的股價數據推測之後一周的股價變化；根據過去2年某店鋪每周想消費人數預測下周來店消費的人數等等
RNN 和 LSTM 模型
時間序列模型最常用最強大的的工具就是遞歸神經網路（recurrent neural network, RNN）。相比與普通神經網路的各計算結果之間相互獨立的特點，RNN的每一次隱含層的計算結果都與當前輸入以及上一次的隱含層結果相關。通過這種方法，RNN的計算結果便具備了記憶之前幾次結果的特點。
典型的RNN網路結構如下：

⑤ ARIMA時間序列建模過程——原理及python實現

原文鏈接：http://tecdat.cn/?p=20742

時間序列被定義為一系列按時間順序索引的數據點。時間順序可以是每天，每月或每年。

以下是一個時間序列示例，該示例說明了從1949年到1960年每月航空公司的乘客數量。

最受歡迎的見解

1.在python中使用lstm和pytorch進行時間序列預測

2.python中利用長短期記憶模型lstm進行時間序列預測分析

3.使用r語言進行時間序列（arima，指數平滑）分析

4.r語言多元copula-garch-模型時間序列預測

5.r語言copulas和金融時間序列案例

6.使用r語言隨機波動模型sv處理時間序列中的隨機波動

7.r語言時間序列tar閾值自回歸模型

8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類

9.python3用arima模型進行時間序列預測

⑥ lstm回歸和分類可否一起做

當然可以，用LSTM做預測也是很常見的。你就用網路搜一下唄，相關介紹很多的。

⑦ keras為3維input做LSTM預測遇到問題求助

就一個abcd作為一條樣本即可，a b c d 的每一步都會計算loss的，所以拆開也沒啥用 另外你這個不是序列標注，因為你是要預測下一個，而不是給整體一個最佳序列

⑧ lstm預測多輸入多輸出

網路「6 種用 LSTM 做時間序列預測的模型結構」 有方案
不過也要看是什麼框架，每種框架寫法未必一樣