Tensorflow 时间序列数据模型 [数据的处理 + DNN预测模型实现]

生活中常常会碰到各种各样的时间序列预测问题，如商场人流量的预测问题、商品价格的预测、股价的预测、等等。
这些问题都，已知过去时间内的数据，希望你从中“发现”规律，预测未来值，并且数据按照时间顺序展开。

本文讲解TensorFlow 处理这类问题的基本处理方法。
主要讲解：
(一) 我们对这类问题的数据的处理方法，以方便输入给后续的网络模型。
(二) DNN模型对此类问题的处理，达到入门的效果。

数据处理：

假设上图为某类时间序列问题的历史数据，我们希望“学习”这类数据的规律，预测未来的数据。
为了将数据输入网络，我们需要将数据处理为神经网络需要的 (特征，标签) 类型的数据。

对于时间序列问题，我们引入一个 数据窗口 的概念，如上图绿色框所示。
假设窗口的大小（超参数）为：20， 则表示我们将过去20天的数据作为“特征”数据， 如而将当前的数据作为**“标签”**数据。
遍历所以已知历史数据，我们就可以得到我们所需的数据集。

小栗子: 我们以[0,1,2,…,9]的列表（简单序列数据）为例子，使用以上处理方法获得我们所需的数据集
1：导入所需包，确保TensorFlow版本为2.0

!pip install tf-nightly-2.0-preview

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)

2：生成简单的序列数据[0,1,…,9]

dataset = tf.data.Dataset.range(10)
for val in dataset:
   print(val.numpy())

3:获得窗口数据，窗口大小为5（实际为4，最后一个为标签数据）

dataset = tf.data.Dataset.range(10)
dataset = dataset.window(5, shift=1)
for window_dataset in dataset:
  for va