datos de series de tiempo [modelo] CNNLSTM pila cortos de convolución y de predicción a largo plazo basadas en el análisis de redes neuronales

       En el trabajo real, el análisis de modelos de datos de la clase de tiempo es la parte más importante, podemos utilizar la máquina de aprendizaje para construir un modelo general de regresión para predecir el valor del análisis puede ser basado en redes neuronales para construir el modelo de red para predecir el análisis de datos de series de tiempo completo en una tarea relativamente simple, utilizando la máquina de aprendizaje de modelos de regresión de construcción en general, satisfacer las necesidades, pero cuando los problemas actuales que enfrenta relativamente complejo, modelos simples son a menudo difíciles de realizar de manera competente, es necesario que existan más eficiente, más habilidades modelo para hacer el trabajo, LSTM este tipo de modelo es uno de los mejores, LSTM RNN esencialmente un caso especial, el enfoque aquí no es explicar en detalle los principios en los LSTM de esta serie de columnas sobre todo énfasis en la práctica y aplicaciones.

   Para este tipo de análisis de modelado de datos de series temporales y amigos interesados ​​pueden ir a buscar a mis dos artículos anteriores:

                        " Sobre la base de LSTM modelo multivariable predictivo de múltiples pasos secuencia real" súper implementar una descripción detallada de explicar. ""

                      "Based LSTM de datos meteorológicos [+] análisis de generación de datos de múltiples pasos de datos de series temporales de modelado y predicción real"

      Este artículo es la práctica de la integración de la estructura del modelo de convolución + LSTM basado en una serie de documentos que han visto una serie de aplicación relacionada, la integración y la LSTM convolución podría ser realmente un análisis y modelado buena sincronización herramientas, ya que el volumen el producto será libre para excavar y características de computación, LSTM en sí es el modelado de datos de series de tiempo y en carne viva, una combinación de ambos, en cierta medida, puede haber un mejor papel en la promoción, pero esto no es absoluto, porque los datos de series temporales , es muy importante que la necesidad de función de captura de datos de series de tiempo del modelo, por lo que el modelo tiene algo de memoria, pero podría socavar el papel de las características de tiempo de convolución inherentes a los datos originales, lo que puede dar LSTM aprendizaje llevar impacto negativo, por supuesto, estos son sólo mi comprensión y el análisis personal, entonces tenemos datos concretos para el combate real.

     La siguiente es una muestra de datos acerca de un día:

"2016-03-01 00:00:00","  7