人工智能深度学习-TensorFlow基于LSTM的预测实例

实例在前辈基础上，代码有所修改。为了支持Python3.6修改了一处编码方式，

本文使用单层的LSTM模型对数据进行预测，更为复杂的多层LSTM模型也是基于单层LSTM模型进行扩展。定义一个基本的LSTM模型，需要定义如下几个部分：

1. 定义时间步, 定义每个输入数据与前多少个有序的输入的数据有关联

2. 定义隐层神经元的数量

3. 定义每批训练样本数

4. 定义输入层维度、权重、偏置

5. 定义输出层维度、权重、偏置

6. 定义学习率，学习率越小，越容易陷入局部最优结果，学习率越大，相邻两次训练结果间的抖动越大

7. 定义损失函数

8. 定义训练次数

9. 构建训练数据集

10. 构建测试数据集

获取数据集

在预测房价之前，需要先获取房价的数据，本文的数据来源为某房地产中介平台的交易数据。

数据文件在ChargeInfo.txt文件

关键文件

PricePredictor.py

LSTM预测模型实现

chargeInfo.txt

房价数据

运行走势图

源码地址

基于LSTM的demo代码实现在github上发布，传送门：https://github.com/huntertan/lstm-spider/tree/master/prediction

修改代码部分为

area = float(data[5].replace("平米", "").encode("utf-8"))

price = float(data[2])

pricePerSquare = price / area

charge = [str(data[1]), data[6].replace('\n', '').encode("utf-8"), data[3].encode("utf-8"), pricePerSquare]

还有一处多了一个分号，自己看看，注意要设置保存模型 stock.model 需要有,否则出错

本文实现的demo离实际的工程应用还有差距，仅供体验和参考