背景数据描述
胆固醇、高血脂、高血压是压在广大中年男性头上的三座大山，如何有效的监控他们，做到早发现、早预防、早治疗尤为关键，趁着这个假期我就利用TF2.0构建了一套时序预测模型，一来是可以帮我预发疾病，二来也可以体验下TF2.0的特性
先来看下数据结构：
- date表示的是测量日期
- cholesterol代表胆固醇数值
- blood_fat代表血脂
- blood_pressure代表血压
整个的建模思路就是将这三个数值一起构建时序模型，因为这三个指标不能独立来看，他们是相互有影响的，互为特征和目标值。
代码详解
废话不多说，我们先看下完整的代码，代码比较长，我把整个代码分为数据探查、网络构建、模型训练、模型保存和预测这4个模块进行拆分并讲解，可以参见代码中的注释进行模块区分。环境使用的是python3.7、TensorFlow2.0版本。（完整代码见文末）
1数据探查
在数据探查模块使用了pandas将数据读取进来，然后用diff函数构建了时序数据的增长率曲线图，因为做时序数据预测，更多地是去看数据的增长或者降低趋势。通过matplotlib可以把数据的成长曲线画出来：
2网络结构构建
使用的是标准的lstm网络结构，可以通过model.summary函数将深度学习网络结构打印出来，如下图所示：
3模型训练
在模型训练环节主要是构建了收敛函数MSPE，MSPE是一种残差收敛算法，具体计算公式比较简单：
(y_true - y_pred)**2/(tf.maximum(y_true**2,1e-7))
4模型存储和预测
第四部分先使用model.save这个TF的官方模型保持函数将模型保存到本地，建议尽量使用这种官方的模型保持方案。
然后load模型对象，用model.predict函数对下一阶段的3个指标数据做一个预测。最终的预测结果存放在arr_predict对象中，预测结果为：
[[0.26552328，0.33151102，0]]
以上预测的是数据的增长率，假设最后一阶段的三个指标的数据分别为4.5、3.2、119，那么最终下一阶段的预测值就是：
[[4.5+0.26552328，3.2+0.33151102，119+0]]
完整代码如下，有兴趣的同学可以跑一跑玩一玩。
import 
