基于堆叠卷积长短期神经网络【CNNLSTM】模型的时序数据预测分析

       在实际的工作中，时序类数据建模分析是比较重要的一部分，我们可以采用机器学习来构建一般的回归模型来进行值预测分析，也可以基于神经网络来搭建网络模型来完成时序数据预测分析，在较为简单的任务中，使用机器学习来构建回归模型一般是可以满足需要的，但是当实际面对的问题相对复杂的时候，简单的模型往往就难以胜任了，这里就需要更加高效，更具有表达能力的模型来完成这一工作，LSTM这一类模型就是其中的佼佼者，LSTM本质是RNN的特例，关于LSTM的详细原理这里不是讲解的重点，本专栏的系列文章主要是偏重于实践与应用。

   对于这类时序数据建模分析感兴趣的朋友可以先去了解一下我前两篇文章：

                        《基于LSTM的多变量多步序列预测模型实战「超详细实现说明讲解」》

                      《基于LSTM的【气象数据+发电数据】多步时序数据建模预测分析实战》

      本文主要是实践基于卷积+LSTM的融合结构的模型，在一些论文里面也有看到过一些相关的实现，卷积和LSTM的融合或许真的是一个很好的时序建模分析工具，因为卷积可以自主地去挖掘和计算特征，LSTM本身就是为了时序数据建模而生的，二者的结合在一定程度上可能会有更好的促进作用，不过这个也并非是绝对的，对于时序数据来说，很重要的一点就是需要让模型捕捉到时序数据的特征，让模型有一定的记忆性，但是卷积的作用可能会破坏原始数据固有的时序特征，这可能会给LSTM的学习带来负面的影响，当然了这些仅仅是我个人的理解和分析，接下来我们以具体的数据来进行实战。

     下面是1天左右的数据样例：

[code]"2016-03-01 00:00:00","  7