# Time Series Prediction以RNN(Simple RNN,LSTM,GRU)進行時間序列預測

###### table of Contents
[TOC]

## 問題解釋

- 此次作業為 **深度學習導論** 第三次作業
- [**作業題目** ](http://www.elearn.ndhu.edu.tw/moodle/file.php/80281/Assingment_3.pdf)
- [**data(需要登入東華e學苑)** ](http://www.elearn.ndhu.edu.tw/moodle/file.php/80281/A3_train.txt)

## 解決辦法

# build the LSTM RNN
model = Sequential()
model.add(LSTM(units = 32, input_shape = (1, time_series_len)))
model.add(Dense(units = 1, activation = 'relu'))
model.compile(loss = 'mean_squared_error',
              optimizer=Adam(decay=0.001),
              metrics=['mae','mse', 'acc'])

- 使用LSTM訓練
- 以 $[x_{1+i},x_{50+i}]$ 為一組訓練資料輸入，預測$x_{51+i}$
- 模型
以一層LSTM層連一層Dense層建構此次模型，共兩層。
- Dense激活函數為線性整流函數 **Relu**
- 通過compile方法完成學習過程的配置。
- 損失函數是 **mean_squared_error** ，優化器是 **Adam**。

## 結果

## 最後總結
- 此次作業相較於上次CNN，因為模型架構較簡單，訓練速度也比較快。
- 時間序列長度切愈長，訓練的資料量會愈少，目測資料50~80會有一個週期，於是選擇50，一部分也是因為50這數字可以被1000整除。