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

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。

Many Human-Body-Fall-Dow n Detection models are faced with problems like lower adaptability and higher w rong-detection rate in different detection scenes，and targeting on these shortcomings this research proposes a Human-Body-Fall-Dow n Detection Model based on the human skeleton keypoints and the LSTM neural network． This model detects the skeleton keypoints of the continuous multi-frame human body by Alphapose，and then divides the coordinate sequences of the skeleton keypoints into X and Y coordinate sequence，and then inputs them respectively into LSTM neural network to extract the time-order character; the last step is to input the LSTM hidden layer output vector into a full connection layer to obtain the results． This research uses public data set M uHAViMAS and Le2i to execute this experiment，and compares itself with many other detection models． The results show that this model has relatively high detection accuracy in multiple scenes，multiple view s，and multiple poses of falling．