准确的电力负荷预测可以保证电力供应的稳定，降低用电成本，提高供电质量。在进行短期电力负荷预测时，考虑到时序数据的时间相关性，应用张量流深度学习框架构建了LSTM 神经网络模型，对电力负荷时序数据进行回归预测

在时间序列预测问题中，建立LSTM模型，采用python语言代码实现

递归神经网络RNN与LSTM简介与算法推导。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

本程序利用TensorFlow构建一个简易LSTM模型，内含对多个常见激活函数的性能的比较过程，以及本程序的运行环境。

实验目的：通过LSTM算法，实现电商评论的情感分析。

利用LSTM进行多标签时间序列分类

在PyTorch中使用LSTM进行风速预测

针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。

基于改进萤火虫算法的LSTM预测模型，韩宪斌，亓峰，本文针对LSTM神经网络预测时存在的收敛慢、超参数调整困难等缺陷，提出了通过萤火虫算法优化神经网络结构以提高流量预测性能的模��

作者为Jason Brownlee. 请支持正版！本资源供非商业用途共享！ About the Ebook: 3 parts, 14 step-by-step tutorial lessons, 246 pages. 6 LSTM model architectures. 45 Python (.py) files.