基于RNN的LSTM时间序列预测方法及股票预测代码疑问

一、LSTM做时间序列预测的基本步骤 #

• 数据预处理：对时间序列数据做归一化（LSTM对数据尺度敏感），然后构造输入输出对——比如用前N天的历史数据作为输入x，第N+1天的数据作为对应输出y。
• 划分数据集：时间序列不能随机拆分，必须按时间顺序划分训练集和测试集，保证模型学习的是历史到未来的规律。
• 搭建LSTM模型：根据任务需求定义网络结构，比如设置合适的LSTM层数、神经元数量，搭配输出层完成预测任务。
• 训练模型：用训练集的输入输出对拟合模型，让模型学习时间序列的内在规律。
• 验证/预测：要么用测试集验证模型泛化能力，要么基于历史数据预测未来未知值。

二、教程代码的作用：模型验证而非未来预测 #

你提到的这段代码没有错误，只是它的作用是验证模型效果，不是预测未来未知值：

1. 先明确x_test和y_test的定义：在时间序列数据集里，x_test是测试集的输入序列（比如前60天的股价），y_test是这个输入序列对应的真实目标值（第61天的股价）。
2. model.predict(x_test)是让模型根据x_test的输入序列，预测对应的目标值，再和真实的y_test对比——这是评估模型在未见过的数据上预测能力的标准操作，用来判断模型是否过拟合、泛化能力好不好。
3. 后面的绘图代码是把预测值和真实值可视化，直观展示模型的预测精度，属于模型验证环节的常规步骤。

三、如何用LSTM做真正的未来值预测 #

如果要预测未来未知的股价，不能用x_test，而是要基于最新的历史数据循环预测：

• 先用全部历史数据训练好模型。
• 取最近N天的历史数据作为初始输入序列（比如最后60天的股价）。
• 循环预测：用模型输出下一天的股价，把这个预测值加入输入序列末尾，同时去掉序列最前面的旧数据，形成新的输入序列，再预测下下一天，以此类推得到未来多天的结果。

简单的伪代码示例：

# 预测未来7天股价
future_days = 7
# 取训练集最后一个完整输入序列（假设序列长度是60）
last_sequence = x_train[-1]
future_predictions = []

for _ in range(future_days):
    # 模型预测
    pred = model.predict(last_sequence.reshape(1, -1, 1))[0][0]
    future_predictions.append(pred)
    # 更新输入序列：移除最旧的一天数据，加入刚预测的结果
    last_sequence = np.append(last_sequence[1:], pred)

# 反归一化得到真实股价数值
future_predictions = scaler.inverse_transform(np.array(future_predictions).reshape(-1, 1))

内容的提问来源于stack exchange，提问作者Anwesa Roy