经典的LSTM分类模型，一种是利用LSTM最后时刻的输出作为高一级的表示，而另一种是将所有时刻的LSTM输出求平均作为高一级的表示．这两种表示都存在一定的缺陷，第一种缺失了前面的输出信息，另一种没有体现每个时刻输出信息的不同重要程度．为了解决此问题，引入 Attention 机制，对 LSTM 模型进行改进，设计了 LSTM-Attention 模型．实验结果表明: LSTM 分类模型比传统的机器学习方法分类效果更好，而引入 Attention 机制后的 LSTM 模型相比于经典的文本分类模型，分类效果也有了一定程度的提升．

文章在深度学习理论的基础上应用LSTM网络对电力负荷进行了预测，具有较高的应用价值。

时序数据-LSTM模型-实现用电量预测，里面包含数据和代码，代码讲解见：https://mtyjkh.blog.csdn.net/article/details/115612319

PM2.5的时间序列预测 基于Keras的LSTM实现的PM2.5的时间序列预测。 环境：python 3.6.6，Tensorflow 1.15.0，Keras 2.3.1

LSTM-DNN进行库存预测 修正LSTM模型的股价预测 它能做什么？ 它可以给出一只股票收盘价的预测值。 它不能预测离现在太远，而它所能做的就是预测明天的价格。 我们需要做的是提供一只股票过去的数据。 评估 我用MAPE（平均绝对百分比误差）评估模型。 通过该模型训练的某些股票的最佳性能可使MAPE达到2％-3％，这意味着精度（1-MAPE）可以达到97％-98％。 训练自己的数据 U首先从互联网上下载股票的csv数据，然后在代码中修改csv路线（在最后一栏中输入收盘价）。 学习性能良好的CPU模型需要花费数小时。 有用吗？ 尽管预测第二天的收盘价表现良好，但无法预测接下来的2,3,4 ...天的价格。 因此这可能会有所帮助，可能没有帮助。 未来 我将把我的股票价格预测系统放在github上，它具有许多新功能，包括预处理数据，训练模型，预测价格，评估模型以及推荐高收益股票。 同时

基于LSTM的库存预测方法 lstm是什么： 初步模型 lstm优缺点 为什么用于股票预测（研究目标，研究内容） 数据集介绍 数据预处理 模型介绍（三个） 结果比较 为什么需要时间序列模型？ 您想正确地模拟股票价格，因此作为股票购买者，您可以合理地决定何时购买股票以及何时出售股票以获利。这就是时间序列建模的用武之地。您需要良好的机器学习模型，这些模型可以查看数据序列的历史记录并正确预测序列的未来元素。 但是股市价格非常难以预测且波动很大。这意味着数据中没有一致的模式可以让您近乎完美地模拟转换内部的股票价格。普林斯顿大学的经济学家伯顿·马尔基尔在其1973年的著作《华尔街的随机漫步》中指出，如果市场真正有效，并且可以立即反映出所有因素，当它们被公开时，被蒙住眼睛的猴子向报纸股票上市投掷Dart应该和任何投资专家一样。 但是，我们不要一味认为这只是一个随机或随机的过程，并且对于机器学习没有希望

包含wordsList.npy，wordVectors.npy，idsMatrix.npy三个框架

股票预测模型，收集用于股票预测的机器学习和深度学习模型，包括交易机器人和模拟。 目录 内容 楷模 LSTM LSTM双向 LSTM 2路径 格鲁 双向GRU GRU 2路径 香草 香草双向 香草2路径 LSTM Seq2seq LSTM双向Seq2seq LSTM Seq2seq VAE GRU Seq2seq GRU双向Seq2seq GRU Seq2seq VAE 注意是您所需要的 CNN-Seq2seq 扩张的CNN-Seq2seq 奖金 如何使用模型之一来预测t + N ， 共识，如何使用情感数据预测t + N ， 用于减小尺寸的深度前馈自动编码器神经网络+深

文本情感分析作为NLP的常见任务，具有很高的实际应用价值。本文将采用LSTM模型，训练一个能够识别文本postive, neutral, negative三种情感的分类器。

Time_Series_Anomaly_Detection：使用带有LSTM单元和自动编码器的RNN检测时间序列中异常数据点的案例研究