适合多输入变量的神经网络模型一直让开发人员很头痛，但基于（LSTM）的循环神经网络能够几乎可以完美的解决多个输入变量的问题。
基于（LSTM）的循环神经网络可以很好的利用在时间序列预测上，因为很多古典的线性方法难以适应多变量或多输入预测问题。
在本教程中，你会看到如何在Keras深度学习库中开发多变量时间序列预测的LSTM模型。
读完本教程后，你将学会：
如何将原始数据集转换为可用于时间序列预测的数据集。
如何准备数据并创建适应多变量时间序列预测问题的LSTM。
如何做出预测并将结果重新调整到原始单位。
本教程分为3部分：
1.空气污染预报。
2.基本数据准备。
3.多变量LSTM预测模型。
Python环境
本教程假设你已安装Python SciPy环境，你可以在本教程中使用Python 2或3。你必须使用TensorFlow或Theano后端安装Keras（2.0或更高版本）。本教程还 假设你已经安装了scikit-learn，Pandas，NumPy和Matplotlib。如果你需要帮助你的环境，请参阅这篇文章：
如何为Anaconda设置机器学习和深度学习的Python环境
空气污染预报
在这个小例子中，我们将使用空气质量数据集。这是一个数据集，在美国驻北京大使馆五年内报告天气和污染水平。数据类型包括日期时间、称为PM2.5浓度的污染物、以及天气信息、包括露点（露点温度）、温度、压力、风向、风速和累积的降雪小时数。原始数据中的完整功能列表如下：
1.NO：行号。
2.year：年。
3.month：月。
4.day：日。
5.hour：小时。
6.pm2.5：PM2.5浓度。
7.DEWP：露点温度。
8.TEMP：温度。
9.PRES：压力。
10.cbwd：风向。
11.Iws：风速。
12.ls：积雪的时间
13.Ir：累积的下雨时数
我们可以使用这些数据并构建一个预测问题，基于天气条件和前几个小时的污染，我们预测在下一个小时的污染。你可以从UCI Machine Learning Repository下载数据集—北京PM2.5数据集。下载数据集并将其放在你当前的工作目录中，文件名为“raw.csv”。
