LSTM是一种回环神经网络（Recurrent Neural Network)，它具备“记忆”功能：输入的数据计算后的结果可以保存在神经元中，对后续的输入数据的计算产生影响。

 

LSTM解决了普通回环神经网络的权重消失问题（vanishing gradient），在流式数据分析领域有着广泛应用，比如自然语言处理等。

 

对比于另一种常用的时间序列预测算法SARIMA，LSTM的优势有：


ü SARIMA模型的精准度往往需要根据数据计算出的参数，如自相关项和差分项等，而LSTM除了预先设定的神经网络参数外，无需根据数据设置不同的参数。


ü LSTM的另一个优势是它比较适合大规模数据的计算，而SARIMA则比较适合对小规模的数据做预测。对于大规模的数据，比如一个月分钟级的数据，LSTM也可以取得精准的预测效果（图中蓝色为真实值，绿色为预测值）：

下图是主机入流量的数据，可以看出数据本身有很强的规律性

 

LSTM也存在一些缺点:


ü 训练一个模型的时间花销比较大，大量的模型训练需要很多时间。


ü 支持LSTM的库keras和Tensorflow不支持对模型序列化，只提供读写文件的接口，所以读写模型都要经过文件操作，效率很低，LSTM对规律性不强的数据效果不是很理想。




银行智能运维相关文章：

基于大数据的中小银行智能化运营体系建设

智能运维基于算法模型的时序数据监测

基于LSTM的指标或容量预测

基于指数平滑算法的异常检测

基于Holt-Winters改进的四次指数平滑算法