最近我在使用 lstm 来预测时间序列。我正在使用 keras 2.0 来构建我的 lstm 模型。它的结构如下:
model = Sequential()
model.add(LSTM(128, input_shape=(timesteps, 1), return_sequences=False, stateful=False)
model.add(Dropout(rate=0.1))
model.add(Dense(1))
我已经尝试使用这个网络来预测几个时间序列,包括 sin(t) 和一个真实的交通流数据集。我发现对 sin 的预测很好,而对真实数据集的预测就像将最后一个输入值移动一步。我不知道这是预测错误还是网络根本没有学习数据集的模式。有没有人得到类似的结果?这种烦人的转变有什么解决办法吗?多谢。 以下是我的一些预测:
请您参考如下方法:
这只是您网络的起点,您必须通过尝试各种事情来完成它。
仅举几个例子:
- 尝试不同的窗口长度(输入网络的时间步长)
- 尝试添加密集层、多个 LSTM 层或更少的 LTSM 节点
- 尝试具有不同学习率的不同优化器
- 寻找额外的数据点以输入网络
- 您有多少数据?您可能需要更多才能获得良好的预测
- 为 Y 变量尝试不同的偏移量,您需要多少时间步才能预测出您的特定问题?
list 还在继续......
