# univariate cnn-lstm example
from numpy import array
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers import TimeDistributed
from keras.layers.convolutional import Conv1D
from keras.layers.convolutional import MaxPooling1D
# define dataset
X = array([[10, 20, 30, 40], [20, 30, 40, 50], [30, 40, 50, 60], [40, 50, 60, 70]])
y = array([50, 60, 70, 80])
# reshape from [samples, timesteps] into [samples, subsequences, timesteps, features]
X = X.reshape((X.shape[0], 2, 2, 1))
# define model
model = Sequential()
model.add(TimeDistributed(Conv1D(filters=64, kernel_size=1, activation='relu'), input_shape=(None, 2, 1)))
model.add(TimeDistributed(MaxPooling1D(pool_size=2)))
model.add(TimeDistributed(Flatten()))
model.add(LSTM(50, activation='relu'))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
# fit model
model.fit(X, y, epochs=500, verbose=0)
# demonstrate prediction
x_input = array([50, 60, 70, 80])
x_input = x_input.reshape((1, 2, 2, 1))
yhat = model.predict(x_input, verbose=0)
print(yhat)
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
基于MLP_CNN_LSTM_CNN-LSTM时间序列预测_编码器-解码器LSTM多步预测_Keras_python源码_代码附有详细注释 3.用于时间序列预测的MLP 4.用于时间序列预测的CNN 5.用于时间序列预测的LSTM 6.编码器-解码器LSTM多步预测 7.用于时间序列预测的CNN-LSTM
资源推荐
资源详情
资源评论
收起资源包目录
基于MLP_CNN_LSTM_CNN-LSTM时间序列预测__编码器-解码器LSTM多步预测_keras&python源码.zip (5个子文件)
基于MLP_CNN_LSTM_CNN-LSTM时间序列预测__编码器-解码器LSTM多步预测_keras&python源码
5.用于时间序列预测的LSTM.py 876B
6.编码器-解码器LSTM多步预测.py 951B
3.用于时间序列预测的MLP.py 577B
7.用于时间序列预测的CNN-LSTM.PY 1KB
4.用于时间序列预测的CNN.py 955B
共 5 条
- 1
资源评论
- zzkq11132023-11-07感谢资源主分享的资源解决了我当下的问题,非常有用的资源。
- weixin_484306412023-02-22这个资源内容超赞,对我来说很有价值,很实用,感谢大佬分享~Make程序设计2023-09-21不客气~
- 不停xiao习的小白2022-12-19资源内容详细,总结地很全面,与描述的内容一致,对我启发很大,学习了。Make程序设计2023-02-15感谢支持!对您有用就好,互相学习,加油!
Make程序设计
- 粉丝: 5625
- 资源: 3567
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功