这是使用有状态 LSTM 神经网络预测时间序列的正确方法吗？

Question

我正在使用 LSTM 神经网络（有状态）进行时间序列预测。

我希望有状态的LSTM能够捕捉到隐藏的模式并做出令人满意的预测（导致时间序列变化的物理规律尚不清楚）。

我有一个时间序列X，长度为1500（实际观测数据），我的目的是预测未来100。

我想预测下一个10 会比预测下一个100 更有希望（对吗？）。

所以，我这样准备训练数据（总是使用100 值来预测下一个10；x_n 表示X 中的n-th 元素）：

shape of trainX: [140, 100, 1]
shape of trainY: [140, 10, 1]
---
0: [x_0,  x_1, ...,  x_99]  -> [x_100, x_101, ..., x_109]
1: [x_10, x_11, ..., x_109] -> [x_110, x_111, ..., x_119]
2: [x_20, x_21, ..., x_119] -> [x_120, x_121, ..., x_129]
                     ...
139: [x_1390, x_1391, ..., x_1489] -> [x_1490, x_1491, ..., x_1499]
---

训练结束后，我想用模型用[x_1400 - x_1499]预测下一个10值[x_1500 - x_1509]，然后用[x_1410 - x_1509]预测下一个10值[x_1510 - x_1519]。

这是正确的方法吗？

大量阅读文档和示例后，我可以训练模型并进行预测，但结果似乎并不令人满意。

为了验证该方法，我假设最后的100 (x_1400 - x_1499) 值未知，并将它们从trainX 和trainY 中删除，然后尝试训练模型并预测它们。最后，将预测值与观测值进行比较。

任何建议或cmets将不胜感激。

时间序列如下所示：

Answer 1

你的问题真的很复杂。在我尝试回答之前 - 我将与您分享我对使用 LSTM 来完成您的任务是否明智的疑问。您想使用一个非常高级的模型（LSTM 能够学习非常复杂的模式）来处理一个看起来相对容易的时间序列。此外 - 您的数据量非常小。老实说——我会先尝试训练更简单的方法（比如ARMA 或ARIMA）。

回答您的问题 - 如果您的方法很好 - 这似乎是合理的。其他合理的方法是预测所有100 步骤或例如50 两次。使用10 步骤，您可能会遇到错误累积 - 但它仍然可能是一个好方法。

正如我之前提到的 - 我宁愿尝试更简单的 ML 方法来完成此任务，但如果您真的想使用 LSTM 您可以通过以下方式解决此问题：

1. 定义元参数，例如您要预测的前进步数、输入网络的大小。
2. 尝试使用例如网格搜索以找到此元参数的最佳值。使用 k-fold 交叉验证评估每个设置。
3. 使用最佳元参数设置重新训练最终模型。

您的数据量相对较少，因此您可以轻松找到超参数的最佳值。这还将向您展示您的方法是否良好 - 只需检查最佳解决方案提供的结果。