Tensorflow 模型的函数预测对利用 RNN 的回归问题有什么作用

Question

我正在研究一个时间序列问题并且我训练了一个模型 与财务数据。在网的训练过程中表现非常好。

现在我在问如何预测未来的 FORWARD 使用 Tensorflow 模型对新数据集进行预测函数的结果是什么。下面的 sn-p 显示了预测函数的调用

def predict(self, data=None ):
                            
    model =  tf.keras.models.load_model(self.createModelFileName())
                    
    scaler = MinMaxScaler()
    feature_scaler = MinMaxScaler()
       
    data.loc[:, data.columns != self.feature] = scaler.fit_transform(data.loc[:, data.columns != self.feature])
    data[[self.feature]] = feature_scaler.fit_transform(data[[self.feature]])    
    inputs = data[1:] 
  
    inputs = np.expand_dims(inputs, axis=0)
    print(f'Shape data: {data}')
    print(f'Shape inputs: {inputs.shape}')        
        
    prediction = model.predict(inputs, 32, steps=5, verbose=1)
                   
    print(prediction.shape)
    
    data[[self.feature]] = feature_scaler.inverse_transform(data[[self.feature]])
    inputs = np.array(data[self.feature])
    
    prediction = prediction[0,:,:]        
    print(prediction.shape)    
    prediction = feature_scaler.inverse_transform(prediction)
                                                                
    return inputs, prediction  

我所做的图只是显示了使用任意偏移对过去输入的预测，而不是对未来的预测。

我知道自动回归这个术语，我也尝试过，通过使用最后的预测值扩展预测函数的输入。

Answer 1

您必须查看最后一个序列索引。假设您的序列维度为 1：

prediction = prediction[:,-1,:]