LSTMです。CNNと違って、成長性を加味して予測するのが、LSTMの特徴です。
そういった意味では、前回のサンプルの競馬は、LSTMが合ってるのかもしれません。
馬も成長しタイムを上げていくと思うので。

まっ、それは、そのままで。

さて今回の予測は、電気使用量と気温という設定で予測をしたいと思います。
先程言った、LSTMは、時間経過から予測するので、今回のサンプルとしては不向きです(笑)

なので、サンプルデータは、適当に私が書きました。

これです。

datadatedataamountdatatemp
2019/7/132,010 22.9
2019/7/244,080 22.7
2019/7/331,536 22.8
2019/7/450,088 25.1
2019/7/540,635 25.5
2019/7/634,344 27.2
2019/7/729,866 26
2019/7/845,595 26.1
2019/7/944,777 25.7
2019/7/1040,914 24.9
2019/7/1135,264 25.9
2019/7/1250,985 25.9
2019/7/1332,425 22.2
2019/7/1429,407 23.4
2019/7/1542,299 26
2019/7/1645,419 27.1
2019/7/1748,230 27.5
2019/7/1847,915 26.2
2019/7/1941,283 26.6
2019/7/2035,008 26.2
2019/7/2143,974 25.5
2019/7/2230,801 26.2
2019/7/2352,619 27.3
2019/7/2456,164 28.6
2019/7/2546,381 29.2
2019/7/2647,754 29.8
2019/7/2740,297 29

CSVをそのまま表示
datadate,dataamount,datatemp
2019/7/1,"32,010 ",22.9
2019/7/2,"44,080 ",22.7
2019/7/3,"31,536 ",22.8
2019/7/4,"50,088 ",25.1
2019/7/5,"40,635 ",25.5
2019/7/6,"34,344 ",27.2
2019/7/7,"29,866 ",26
2019/7/8,"45,595 ",26.1
2019/7/9,"44,777 ",25.7
2019/7/10,"40,914 ",24.9
2019/7/11,"35,264 ",25.9
2019/7/12,"50,985 ",25.9
2019/7/13,"32,425 ",22.2
2019/7/14,"29,407 ",23.4
2019/7/15,"42,299 ",26
2019/7/16,"45,419 ",27.1
2019/7/17,"48,230 ",27.5
2019/7/18,"47,915 ",26.2
2019/7/19,"41,283 ",26.6
2019/7/20,"35,008 ",26.2
2019/7/21,"43,974 ",25.5
2019/7/22,"30,801 ",26.2
2019/7/23,"52,619 ",27.3
2019/7/24,"56,164 ",28.6
2019/7/25,"46,381 ",29.2
2019/7/26,"47,754 ",29.8
2019/7/27,"40,297 ",29

CSVを元に学習データを準備します。
学習データは、LSTMにおいては、並びが非常に重要です。
時系列ごとに並べる必要があります。


その1つ学習データの1つで、それを並べていくことで、学習データが出来ます。



行列で表現するとこんな感じになります。




学習データと予測したいのが次の日なので、次の日が、検証データになります。



学習するXとYで言えば検証するデータがYになります。


XとYを行列で表すこんな感じになります。

次回は、とりあえず、ここまでを一旦コードにします。