Keras LSTM 用于时间序列错误预测和收敛到不可更改的值范围答案

【问题标题】：Keras LSTM for time-series bad prediction and convergance to unchangable range of valuesKeras LSTM 用于时间序列错误预测和收敛到不可更改的值范围
【发布时间】：2017-10-20 18:40:26
【问题描述】：

型号：

def buildModel(neurons= 5, batch_size= 1, timestep=1, features=1):
    model = Sequential()
    model.add(LSTM(neurons, 
                   batch_input_shape=(batch_size, timestep, features), 
                   #return_sequences= True,
                   stateful=True))

    model.add(Dense(1))
    model.compile(loss='mean_squared_error', optimizer='adam',  
                  metrics=[metrics.MAPE, 'accuracy'])
    return model

测试 RMSE：0.104 测试 MAPE：14.040

但在逐步进行多步预测时，结果迅速增加，然后稳定在一定范围内。

时间序列是单变量的关于模型或时间序列预测问题的任何建议？

【问题讨论】：

标签： tensorflow time-series keras forecasting lstm

【解决方案1】：

neurons = 5，这是一个非常低容量的模型。可能不足以对目标时间序列函数进行建模。

timesteps = 1，这是时间序列，因此输出必须依赖于一定数量的timesteps，才能做出正确的预测。 timesteps = 1 表示您的输出仅取决于 1 timestep。

batch_size = 1，这需要一段时间才能收敛。通常，这应该是 2 的幂（16、32、64、128、256、512）。

【讨论】：

感谢 rowel 的提示。我只是该领域的新手，需要一些帮助