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）

TPA会选择相关变量加权利用卷积捕获可变的信号模式。 注意力加权对bilstm的隐含层加权求和。出自论文Temporal Pattern Attention for Multivariate Time Series Forecasting

MATLAB实现CNN-LSTM神经网络多输入回归预测（完整源码和数据） CNN-LSTM神经网络，卷积长短期记忆神经网络多输入回归预测 数据为多输入回归数据，输入12个特征，输出1个变量。 运行环境MATLAB2020b及以上。

LSTM 时间序列分析预测 目录 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。 包含数据清洗，数据特征提取，数据建模，数据预测。

包含多种实际案例 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。 包含数据清洗，数据特征提取，数据建模，数据预测。 包含洗发水销量预测、空气质量预测等实际案例。 LSTM单变量、Multi-Step LSTM预测、长短周期记忆网络等方法 Keras中长短期记忆模型的5步操作 Keras中长短期记忆模型的5步操作代码分析 one-hotenoder与Keras one-hotenoder与scikit学习 手动one-hotenoder

基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。

基于GRU神经网络模型预测未来电力系统材料价格源码。

基于LSTM神经网络模型的疫情发展趋势预测。别采用经典传染病动力学模型SEIR和LSTM神经网络实现，通过控制模型参数来改变干预程度，体现防控的意义。同时利用LSTM递归神经网络时间序列预测算法对疫情发展趋势进行预测。基于LSTM神经网络模型的疫情发展趋势预测。别采用经典传染病动力学模型SEIR和LSTM神经网络实现，通过控制模型参数来改变干预程度，体现防控的意义。同时利用LSTM递归神经网络时间序列预测算法对疫情发展趋势进行预测。基于LSTM神经网络模型的疫情发展趋势预测。别采用经典传染病动力学模型SEIR和LSTM神经网络实现，通过控制模型参数来改变干预程度，体现防控的意义。同时利用LSTM递归神经网络时间序列预测算法对疫情发展趋势进行预测。