现实生活中，我们经常会遇到各式各样的时间序列预测场景，比如、股票和黄金价格的预测商品销量的预测等等。TensorFlowTime Series(以下简称TFTS)专门设计了一套针对时间序列预测问题的API，利用其提供的LSTM模型，可以实现在TensorFlow中搭建高性能时间序列预测系统。LSTM具有优于传统神经网络框架的优势。虽然用TensorFlow与LSTM结合来做时间序列预测是一个很旧的话题，然而却一直没有得到比较好的解决或分析。本文结合实例代码带你从零开始轻松搭建TensorFlow深度学习框架下LSTM高性能时间序列预测系统。
重组病毒载体疫苗是什么基本知识
所谓的时间序列预测是指在某些未来时间点预测数据的值的多少。时间序列预测主要基于连续性原理。在现实生活中，大多数事物的基本发展趋势将在未来继续，其产生的数据也将满足时间序列的连续性原则。所以在实际应用中，时间序列预测具有较强的实用性。预测效果与预测模型的选择密不可分。
TensorFlow简介
TensorFlow是一种基于图的计算框架。正如TensorFlow本身所表示含义。Tensor表示张量，是TensorFlow的核心数据单位，其本质是一个任意维的数组。Flow(流)表示基于数据流图的计算，构建执行流图是TensorFlow开发过程中的重点。它表示的是张量从流图的一端流动到另一端计算过程，正是这种基于流的架构让它具有了更高的灵活性。
LSTM网络
LSTM(LongShort-Term Memory)是传统递归神经网络RNN(Recurrent Neural Networks)改良后的成果，是一款长短期记忆网络。它是由Ho?chreiter和Schmidhuber在1997年提出的。相较于普通的RNN，LSTM增加了一个记忆单元(cell)用于判断信息有用与否，解决了长序列训练过程中的梯度消失和梯度爆炸问题。这一改进使得其能在更长的序列中有更好的表现。
记忆单元的状态(cellstate)是LSTM的关键，为了保护和控制记忆单元的状态，一个记忆单元中被放置了三个控制门，分别叫做输入门、遗忘门和输出门。每个控制门由一个包含一个sigmoid函数的神经网络层和一个点乘操作组成。
