所以我正在尝试使用 LSTM 进行时间序列预测。目的是预测给定使用回归。
我已经将输入数据转换为滑动窗口格式，如果我的输入数据是以下形式：
X = [x0, x1, x2,.....]
Y = [y0, y1, y2,.....]
然后我将其转换为：
Xnew = [(x0, x1, x2), (x1, x2, x3), (x2, x3, x4),...]
Y = [ y2, y3, y4,...]
尽管如此，在训练我的数据后，我发现validation_loss.
由于validation_split只取最后一部分数据，我想也许我应该在训练之前尝试对数据进行随机化。但是，这样一来，时间序列会有任何意义吗？
我发现了一个类似的问题，但我显然已经尝试过建议的内容： 为预测任务打乱时间序列数据是否有效？
由于您的模型具有“内存”，因此在这里改组数据似乎没有意义。你不是在预测仅从， 但是也和. 如果您打乱数据并执行预测，则意味着应该给出相同的值或者，或仅以结尾的任何一系列值（因为目标值总是，不管其他）。如果您的目标值确实取决于前面的变量，那么对数据进行洗牌会破坏这种关系。如果它不依赖于先前的值，则可以说它不是时间序列模型，因为观察的顺序无关紧要。
在 RNN 中，序列是最重要的。对洗牌非常严格，因为它会破坏顺序。
虽然我认为，如果我们可以对不同的批次系列进行洗牌会很好，这样如果批次 i 中使用了特定系列，那么下次该系列可以成为某个不同批次的一部分，比如 j。
如果您尝试，请分享您的结果。
LSTM 有记忆，所以模型看到样本的顺序很重要。从您链接的答案中：
模型的内部参数随着它看到的每个新示例而变化并持续存在。当前预测取决于上次预测。循环神经网络有记忆，所以顺序很重要。
如果您担心自己的 loss 估计不准确，可以validation_loss使用time-series cross-validation获得更稳定的估计。
如果您担心模型的性能不足，请记住超参数调整可能对这个问题很重要。无需将历史窗口的大小固定为 3；也许更大的窗口尺寸更好？其他超参数，例如隐藏状态的大小和循环层的数量，也会对性能产生很大影响。