前言

时间序列数据，顾名思义，是一种随着时间改变的数据。例如，

• 24小时气温数据，

• 一个月的产品价格数据，

• 某一公司股票价格年度数据。

• 。。。。。。

高级深度学习模型，比如长短期记忆网络（LSTM），能够捕获到时间序列数据中的变化模式，进而能够预测数据的未来趋势。本文中，我们将使用pytorch这个深度学习库，来实现利用LSTM算法对时间序列数据进行预测。

在开始讲述之前，我们先导入必要的库，

import torch import torch.nn as nn import seaborn as sns import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline

数据集

我们将使用Seaborn库的内建数据集。让我们打印一下Seaborn的所有内建数据库：

sns.get_dataset_names()

输出结果为：

['anagrams', 'anscombe', 'attention', 'brain_networks', 'car_crashes', 'diamonds', 'dots', 'dowjones', 'exercise', 'flights', 'fmri', 'geyser', 'glue', 'healthexp', 'iris', 'mpg', 'penguins', 'planets', 'seaice', 'taxis', 'tips', 'titanic']

链接：https://www.dianjilingqu.com/523763.html