前言

时间序列数据，顾名思义，是一种随着时间改变的数据。例如，

• 24小时气温数据，
• 一个月的产品价格数据，
• 某一公司股票价格年度数据。
• 。。。。。。

高级深度学习模型，比如长短期记忆网络（LSTM），能够捕获到时间序列数据中的变化模式，进而能够预测数据的未来趋势。本文中，我们将使用pytorch这个深度学习库，来实现利用LSTM算法对时间序列数据进行预测。

在开始讲述之前，我们先导入必要的库，

import torch
import torch.nn as nn

import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

%matplotlib inline

数据集

我们将使用Seaborn库的内建数据集。让我们打印一下Seaborn的所有内建数据库：

sns.get_dataset_names()

输出结果为：

['anagrams',
 'anscombe',
 'attention',
 'brain_networks',
 'car_crashes',
 'diamonds',
 'dots',
 'dowjones',
 'exercise',
 'flights',
 'fmri',
 'geyser',
 'glue',
 'healthexp',
 'iris',
 'mpg',
 'penguins',
 'planets',
 'seaice',
 'taxis',
 'tips',
 'titanic']