卷积神经网络(CNN)、长短期记忆网络(LSTM)以及门控单元网络(GRU)是最常见的一类算法，在kaggle比赛中经常被用来做预测和回归。今天，我们就抛砖引玉，做一个简单的教程，如何用这些网络预测时间序列。因为是做一个简单教程，所以本例子中网络的层数和每层的神经元个数没有调试到最佳。根据不同的数据集，同学们可以自己调网络结构和具体参数。
1.环境搭建
我们运行的环境是下载anaconda，然后在里面安装keras，打开spyder运行程序即可。其中下载anaconda和安装keras的教程在我们另一个博客“用CNN做电能质量扰动分类(2019-03-28)”中写过了，这里就不赘述了。
2.数据集下载
下载时间序列数据集和程序。其中，网盘连接是：
https://pan.baidu.com/s/1TASK3gMZoDFvoE89LzR-5A，密码是“o0sl”。
“nihe.csv”是我自己做的一个时间序列的数据集，一共有1000行4列其中，1-3列可以认为是X，第4列认为是Y。我们现在要做的就是训练3个X和Y之间的关系，然后给定X去预测Y。
3.预测
把下载的nihe.csv文件放到spyder 的默认路径下，我的默认路径是“D:\Matlab2018a\42”，新建一个.py文件，把程序放进去，运行即可。
4.CNN,LSTM,GRU预测时间序列的程序
1)GRU的程序
#1. load dataset
from pandas import read_csv
dataset = read_csv('nihe.csv')
values = dataset.values
#2.tranform data to [0,1]
from sklearn.preprocessing importMinMaxScaler
scaler=MinMaxScaler(feature_range=(0, 1))
XY= scaler.fit_transform(values)
X= XY[:,0:3]
Y = XY[:,3]
#3.split into train and test sets
n_train_hours = 950
trainX = X[:n_train_hours, :]
trainY =Y[:n_train_hours]
testX = X[n_train_hours:, :]
testY =Y[n_train_hours:]
train3DX =trainX.reshape((trainX.shape[0], 1, trainX.shape[1]))
test3DX = testX.reshape((testX.shape[0],1, testX.shape[1]))
#4. Define Network
from keras.models importSequential
from keras.layers import Dense
from keras.layers.recurrentimport GRU
model = Sequential()
model.add(GRU(units=5,input_shape=(train3DX.shape[1],train3DX.shape[2]),return_sequences=True))
model.add(GRU(units
