基于LSTM神经网络模型的日志异常检测 主要基于Deeplog实现 DeepLog - Anomaly Detection and Diagnosis from System Logs through Deep Learning (部分paper来源于知网，请尊重版权~)

基于改进PSO-LSTM神经网络的气温预测.pdf

本文主要对LSTM模型结构改进及优化其参数, 使其预测股票涨跌走势准确率明显提高, 同时对美股周数据及日数据在LSTM神经网络预测效果展开研究. 一方面通过分析对比两者预测效果差别, 验证不同数据集对预测效果的影响; 另一方面为LSTM股票预测研究提供数据集的选择建议, 以提高股票预测准确率. 本研究通过改进后的LSTM神经网络模型使用多序列股票预测方法来进行股票价格的涨跌趋势预测. 实验结果证实, 与日数据相比, 周数据的预测效果表现更优, 其中日数据的平均准确率为52.8%, 而周数据的平均准确率为58%, 使用周数据训练LSTM模型, 股票预测准确率更高.

Python实现LSTM长短期记忆神经网络时间序列预测（完整源码) Python实现LSTM长短期记忆神经网络时间序列预测（完整源码) Python实现LSTM长短期记忆神经网络时间序列预测（完整源码) Python实现LSTM长短期记忆神经网络时间序列预测（完整源码)

采用LSTM神经网络，基于时间线可以实现数据的预测，包括股票价格随时间的变化预测、多地天气的温湿度数据的预测。本资源已经跑通，用户替换掉数据集data.csv等文件即可，简单易上手。

神经网络模型普遍存在过拟合问题，所以采用增加3层丢弃层避免梯度消失的问题，利用adam优化器自动优化学习率。 本文使用ReLu Activation函数激活参数特征，然后连接Batch Normalization层和Dropout层，再用Flatten层对数据进行平滑处理，最后将数据输入两个堆叠的LSTM层输出预测数据。 经过多次调整超参数后，确定丢弃率为0.15。 为该单特征LSTM模型的损失变化图。由图可见，该模型损失函数的下降速度极快，在训练次数达到三百次左右时，损失已经基本维持在0附近，并逐步趋于平稳，说明该模型能够很快地收敛到一个较优的参数状态，避免了过拟合或欠拟合的问题。该模型的整体MAPE最低时达到10.69%，整体的拟合程度较高。

MATLAB代码，直接运行，可以换数据。

针对煤层底板突水预测问题，在总结现有突水预测方法和理论的基础上，通过特征选择实验得出水压、距工作面距离、砂岩段厚度、煤层厚度、煤层倾角、断层落差、是否裂隙带、开采面积、采高、走向长度是影响突水发生的主要因素，这些因素具有复杂、非线性的特点。提出基于长短时记忆(LSTM)神经网络构建的突水预测模型，将煤矿突水实例的数据作为样本数据对模型进行训练。最后，将LSTM神经网络模型与遗传算法–反向传播(GA-BP)神经网络模型和反向传播(BP)神经网络模型进行对比实验。实验结果表明，LSTM神经网络模型在测试集上的预测正确率更高，稳定性更好，更加适用于煤层底板突水预测。

python基于LSTM神经网络进行时间序列数据预测源码+全部数据.zip包含数据清洗，数据特征提取，数据建模，数据预测使用LSTM神经网络进行时间序列数据预测分析。基于Tensorflow框架、Kerase接口开发网络模型。 .LSTM单变量2 1.观测值缩放 2.时间序列转换成稳定数据 3.时间序列转监督学习数据 1_3.LSTM单变量3 1.LSTM模型开发 1_4.LSTM单变量4 1.完整的LSTM案例 1_5.LSTM单变量5 1.更健壮的LSTM案例 2.LSTM多变量（air_pollution） 1_1.LSTM多变量1 1.数据输出 2.预处理 1_2.LSTM多变量2 1.LSTM数据预处理 1_3.LSTM多变量3 1.定义&训练模型 2.数据预处理 3.Multi-Step LSTM预测（shampoo-sales） 1_1.Multi-Step LSTM预测1 1.静态模型预测 1_2.Multi-Step LSTM预测2 1.多步预测的LSTM网络 二

基于LSTM神经网络的时间序列预测（Python完整源码和数据） 基于LSTM神经网络的时间序列预测（Python完整源码和数据） 基于LSTM神经网络的时间序列预测（Python完整源码和数据）