股票價格預(yù)測 | Python實(shí)現(xiàn)LSTM股票價格時間序列預(yù)測

目錄

• • 股票價格預(yù)測 | Python實(shí)現(xiàn)LSTM股票價格時間序列預(yù)測
  • • 基本介紹
    • 數(shù)據(jù)集
    • 程序下載
    • 總結(jié)

基本介紹

長短時記憶(LSTM)是一種能增加遞歸神經(jīng)網(wǎng)絡(luò)（RNN）記憶的模型。遞歸神經(jīng)網(wǎng)絡(luò)保留短期記憶，因?yàn)樗鼈冊试S在當(dāng)前神經(jīng)網(wǎng)絡(luò)中更早地確定信息。對于即時任務(wù)，RNN使用早期的數(shù)據(jù)，但我們可能沒有利用神經(jīng)元所有的早期信息。在RNN中，LSTM得到了廣泛的應(yīng)用。視頻、自然語言處理、地理空間和時間序列等多個應(yīng)用領(lǐng)域中，都證實(shí)了LSTM的有效性。

• RNN的一個主要問題是梯度消失問題，它是由于在RNN塊中重復(fù)使用相同的參數(shù)而產(chǎn)生的。我們必須在每個時間步中嘗試使用不同的參數(shù)來克服這個問題。
• 我們努力在這樣的情況下找到平衡。 在生成變長序列的同時，我們在每一步引入新的參數(shù)，同時保持可學(xué)習(xí)參數(shù)的總數(shù)量不變。我們引入了基于門控機(jī)制的RNN單元，如LSTM和GRU。
• 門控單元保存內(nèi)部變量，即利用其中的門。每個時間步的每個門的值取決于該時間步的信息，包括早期狀態(tài)。然后，門的值乘以不同的權(quán)重變量來影響它們。時間序列數(shù)據(jù)是在一段時間內(nèi)收集的一系列數(shù)據(jù)值，允許我們跟蹤一段時間內(nèi)的差異。時間序列數(shù)據(jù)可以以毫秒、天和

總結(jié)

以上是生活随笔為你收集整理的股票价格预测 | Python实现LSTM股票价格时间序列预测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。