深度学习多变量时间序列预测：LSTM算法构建时间序列多变量模型预测交通流量+代码实战_多特征lstm时序预测模型构建

深度学习多变量时间序列预测：LSTM算法构建时间序列多变量模型预测交通流量+代码实战

LSTM(Long Short Term Memory Network)长短时记忆网络，是一种改进之后的循环神经网络，可以解决 RNN 无法处理长距离的依赖的问题，在时间序列预测问题上面也有广泛的应用。

长短时记忆网络（Long Short Term Memory，简称LSTM）模型，本质上是一种特定形式的循环神经网络（Recurrent Neural Network，简称RNN)。LSTM模型在RNN模型的基础上通过增加门限（Gates）来解决RNN短期记忆的问题，使得循环神经网络能够真正有效地利用长距离的时序信息。LSTM在RNN的基础结构上增加了输入门限（Input Gate）、输出门限（Output Gate）、遗忘门限（Forget Gate）３个逻辑控制单元，且各自连接到了一个乘法元件上（见图１），通过设定神经网络的记忆单元与其他部分连接的边缘处的权值控制信息流的输入、输出以及细胞单元（Memory cell）的状态。