在實際的工作中，時序類數據建模分析是比較重要的一部分，我們可以採用機器學習來構建一般的迴歸模型來進行值預測分析，也可以基於神經網絡來搭建網絡模型來完成時序數據預測分析，在較爲簡單的任務中，使用機器學習來構建迴歸模型一般是可以滿足需要的，但是當實際面對的問題相對複雜的時候，簡單的模型往往就難以勝任了，這裏就需要更加高效，更具有表達能力的模型來完成這一工作，LSTM這一類模型就是其中的佼佼者，LSTM本質是RNN的特例，關於LSTM的詳細原理這裏不是講解的重點，本專欄的系列文章主要是偏重於實踐與應用。
對於這類時序數據建模分析感興趣的朋友可以先去了解一下我前兩篇文章：
《基於LSTM的多變量多步序列預測模型實戰「超詳細實現說明講解」》
《基於LSTM的【氣象數據+發電數據】多步時序數據建模預測分析實戰》
本文主要是實踐基於卷積+LSTM的融合結構的模型，在一些論文裏面也有看到過一些相關的實現，卷積和LSTM的融合或許真的是一個很好的時序建模分析工具，因爲卷積可以自主地去挖掘和計算特徵，LSTM本身就是爲了時序數據建模而生的，二者的結合在一定程度上可能會有更好的促進作用，不過這個也並非是絕對的，對於時序數據來說，很重要的一點就是需要讓模型捕捉到時序數據的特徵，讓模型有一定的記憶性，但是卷積的作用可能會破壞原始數據固有的時序特徵，這可能會給LSTM的學習帶來負面的影響，當然了這些僅僅是我個人的理解和分析，接下來我們以具體的數據來進行實戰。
下面是1天左右的數據樣例：
"2016-03-01 00:00:00"," 7