实验数据集采用数据集6：澳大利亚电力负荷与价格预测数据，包括数据集包括日期、小时、干球温度、露点温度、湿球温度、湿度、电价、电力负荷特征，时间间隔30min。
单独查看部分负荷数据，发现有较强的规律性。
首先检查数据的缺失值情况，通过统计数据可以看到，数据比较完整，不存在缺失值。其他异常值和数据处理可以自行处理。
计划预测后一天的数据48个，将要预测的数据保留（也就是未来未知的数据），单独提取出前面训练的数据（也就是历史数据），并对数据集进行滚动划分。跟前面文章的划分方式不同，因为是多变量，特征和标签分开划分，不然后面处理会有很多问题。
dataf = data.values[0:-48]
def create_dataset(datasetx,datasety,timesteps=36,predict_size=6):
for each in range(len(datasetx)-timesteps - predict_steps):
x = datasetx[each:each+timesteps,0:6]
y = datasety[each+timesteps:each+timesteps+predict_steps,0]
return datax, datay#np.array(datax),np.array(datay)
接着设置预测的时间步、每次预测的步长、最后总的预测步长，参数可以根据需要更改。跟前面文章不同的是，这里没有滚动预测，因为没有持续的特征传入，在实际运用有特征传入时可以滚动预测。
timesteps = 48 #构造x，为48个数据,表示每次用前48个数据作为一段
predict_steps = 48 #构造y，为48个数据，表示用后12个数据作为一段
length = 48 #预测多步，预测48个数据，每次预测48个
接着对数据进行归一化处理，跟前面文章的处理方式不同，特征和标签分开划分，并分开进行归一化处理。
datafy = dataf[:,5].reshape(25872,1)
scaler1 = MinMaxScaler(feature_range=(0,1))
scaler2 = MinMaxScaler(feature_range=(0,1))
datafx = scaler1.fit_transform(datafx)
datafy = scaler2.fit_transform(datafy)
最后对这行数据集进行划分，并将数据变换为满足模型格式要求的数据。
trainx, trainy = create_dataset(datafx,datafy,timesteps, predict_steps)
trainx = np.array(trainx)
trainy = np.array(trainy)
首先搭建模型的常规操作，然后使用训练数据trainx和trainy进行训练，进行20个epochs的训练，每个batch包含200个样本。此时input_shape划分数据集时每个x的形状。
model.add(LSTM(128,input_shape=(timesteps,5),return_sequences= True))
model.add(LSTM(128,return_sequences=True))
model.add(LSTM(64,return_sequences=False))
model.compile(loss="mean_squared_error",optimizer="adam")
model.fit(trainx,trainy, epochs= 20, batch_size=200)
下面介绍文章中最重要，也是真正没有未来特征的情况下预测未来标签的方法。整体的思路也就是，前面通过前48个数据训练后面的48个未来数据，预测时取出前48个数据预测未来的48个未来数据。这里与单变量预测不同，没有进行滚动预测，因为单变量预测的结果可以作为历史数据进行滚动，这里多变量只产生了预测值，并没有预测标签，不能进行滚动预测，在实际有数据源源不断时可以采用滚动预测。（里面的数据可以根据需求进行更改）
首先提取需要带入模型的数据，也就是预测前的timesteps行特征。
predict_xlist.extend(dataf[dataf.shape[0]-timesteps:dataf.shape[0],0:5].tolist())
predictx = np.array(predict_xlist[-timesteps:])
predictx = np.reshape(predictx,(1,timesteps,5))#变换格式，适应LSTM模型
准备好数据后，接着进行预测，并对预测结果进行反归一化。
lstm_predict = model.predict(predictx)
lstm_predict = scaler2.inverse_transform(lstm_predict)
predict_y.extend(lstm_predict[0])
计算误差，并保存预测结果，并进行可视化。
y_ture = np.array(data.values[-48:,5])
train_score = np.sqrt(mean_squared_error(y_ture,predict_y))
print("train score RMSE: %.2f"% train_score)
y_predict = pd.DataFrame(predict_y,columns=["predict"])
y_predict.to_csv("y_predict_LSTM.csv",index=False)
from itertools import cycle
plt.figure(dpi=100,figsize=(14,5))
plt.plot(y_ture,c=next(cycol),markevery=5)
plt.plot(y_predict,c=next(cycol),markevery=5)
plt.legend(['y_ture','y_predict'])
最后可视化运行结果，发现预测的效果大致捕捉了趋势，预测值存在一定程度的波动。
技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。
本文完整代码、相关资料、技术交流&答疑，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。
方式①、微信搜索公众号： Python学习与数据挖掘 ，后台回复：加群
方式②、添加微信号： dkl88194 ，备注：来自CSDN + 技术交流
机器学习算法实战案例：确实可以封神了，时间序列预测算法最全总结！
机器学习算法实战案例：时间序列数据最全的预处理方法总结
机器学习算法实战案例：GRU 实现多变量多步光伏预测
机器学习算法实战案例：LSTM实现单变量滚动风电预测