主要介绍了Python中利用LSTM模型进行时间序列预测分析的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

使用智能手机数据集和LSTM RNN的人类活动识别（HAR）。 将运动类型分为以下六类： 步行， WALKING_UPSTAIRS， WALKING_DOWNSTAIRS， 坐下 常设， 铺设。 与传统方法相比，使用具有长短期记忆单元（LSTM）的递归神经网络（RNN）不需要或几乎不需要特征工程。 数据可以直接馈入神经网络，就像黑盒子一样，对问题进行正确建模。 关于活动识别数据集的可以使用大量的特征工程，这是一种结合了经典数据科学技术的信号处理方法。 就数据预处理量而言，此处的方法非常简单。 让我们使用Google简洁的深度学习库TensorFlow演示LSTM的用法，LSTM是一种可以处理顺序数据/时间序列的人工神经网络。 视频数据集概述 点击此链接可观看其中一位参与者在实验中记录的6个活动的视频： 有关输入数据的详细信息 我将在数据上使用LSTM进行学习（作为连接在腰部的手机），以识别用户正在进行的活动类型。 数据集的描述如下： 传感器信号（加速度计和陀螺仪）通过应用噪声滤波器进行预处理，然后在2.56秒和50％重叠（128个读数/窗口）的固定宽度滑动窗口中采

除了crf+ngram这种基于统计纠错的方法外还有一种基于深度学习的seq2seq方法，有简单的注释，有训练集和测试集数据，属于很基础的模型。

Abnormal_Heart_Sound_Diagnosis：对心音数据库进行卷积长短期记忆（CNN-LSTM）评估，准确度达91％

该PPT是本人对神经网络学习的一部分汇报的内容，有很多不完善的地方，仅仅作为学习参考，具体问文字版内容参考本人博客文章（https://blog.csdn.net/weixin_43935696/article/details/107482361）

使用LSTM预测股价案例，超级精简，便于理解，是LSTM入门的好案例。

其余两个模型文件可重新训练

stock_price_prediction_LSTM 使用LSTM预测股票价格。

股票价格预测-LSTM-TCN-GBDT 使用四种算法（LSTM，TCN，GRU，GBDT）进行股票价格的预测和预测结果的检验。

利用LSTM网络和CNN网络分别对MNIST手写数据集进行识别的tensorflow代码，压缩包中包含两个文件。