Python+Mongo+LSTM的GTP生成实践
时间：2026-06-18 16:12
演示了使用Python结合MongoDB与LSTM进行时间序列预测的基本流程。通过pymongo获取股票历史价格数据，构造输入输出序列，利用Keras搭建单层LSTM模型训练，最后预测未来价格。实际应用需进一步优化特征与调参。
首先，需要安装必要的依赖库。pymongo 用于连接 MongoDB 数据库，而 tensorflow 则提供 LSTM 模型的实现。只需一条简单的 pip 命令即可完成安装：
pip install pymongo tensorflow
接下来，连接 MongoDB 并提取用于预测的数据。假设数据库中有一个存储股票价格的集合，我们的目标是通过历史价格来预测未来走势。下面的代码示例演示了如何从 MongoDB 中读取数据，并构建输入序列与输出标签：
from pymongo import MongoClient
# 连接到 MongoDB
client = MongoClient('mongodb://localhost:27017/')
db = client['stock_db']
collection = db['stock_prices']
# 获取数据，按日期升序排列
data = collection.find().sort('date', 1)
# 构造输入序列和输出标签
input_seq = []
output_labels = []
for i in range(len(data)-1):
input_seq.append(data[i]['price'])
output_labels.append(data[i+1]['price'])
# 查看前几个样本
print("输入序列: ", input_seq[:5])
print("输出标签: ", output_labels[:5])
获得数据后，接下来搭建 LSTM 模型。这里使用 Keras 快速创建一个简单的单层 LSTM，输入为上一个时间点的价格，输出预测的下一个价格：
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
# 构建模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(1, 1)))
model.add(Dense(1))
# 编译
model.compile(optimizer='adam', loss='mse')
# 调整数据形状：将 (样本数, ) 转为 (样本数, 1, 1)
input_seq = np.array(input_seq).reshape(len(input_seq), 1, 1)
output_labels = np.array(output_labels)
# 训练
model.fit(input_seq, output_labels, epochs=100, verbose=0)
最后，利用训练好的模型对下一个时间点进行预测。只需将最后一个已知价格输入模型即可：
# 取最后一个已知价格，形状调整为 (1,1,1)
last_known_price = input_seq[-1].reshape(1, 1, 1)
# 预测
predicted_price = model.predict(last_known_price)
print("预测价格: ", predicted_price)
当然，这只是一个入门级的演示示例。在实际项目中，需要更精细的特征工程、更长的历史窗口，以及更复杂的模型调优。不过，掌握了这个基本流程后，您就可以根据自己的数据和业务需求进行扩展与优化。
