我有以下问题：
= 在时间 t 观察的实值随机向量，
= 在时间 t 观察的实值随机向量，
我要预测, 给定和历史。
总而言之，我想根据其历史预测一个观察向量，并将另一个观察向量预测为相同的时间戳。
更清楚地说：假设我想预测伦敦和都柏林的每日气温，知道曼彻斯特和利物浦以及伦敦和都柏林（以及曼彻斯特和利物浦）历史数据的同一天气温。这有点像卡尔曼滤波器，您想在给定一些输出的情况下估计状态变量。
你将如何在 LSTM 中设置这个问题？
使用 LSTM 进行多变量时间序列预测
数据挖掘
时间序列
lstm
2022-02-15 01:34:54
1个回答
1)首先也是最重要的，不要将 Yi(t) 历史作为特征。您将只是以复制先前输入以最小化错误的模型结束，即作弊模型。有关更多详细信息，您可以查看我对两个不同问题的解释：
2)通过将 Y(t) 向前滑动一步来创建标签，以便每个样本都有一个 Y(t+1) 的标签。这意味着您将因此删除样本 #1。
3）为您的特征使用每个样本的时间窗口。不要只为标签 y(t+1) 提供您的特征作为 x(t)。例如，窗口大小 w = 10，提供 x(t-9),x(t-8),.....,x(t-1),x(t+1) 作为单个样本标签 y(t+1)。然后你将提升 LSTM 的顺序性，可能会获得更好的性能。
4）您可以将 Keras 用于您的 LSTM 回归任务，看看我旧作品中的简单代码片段，我为您的任务修改了它：
nn = Sequential()
nn.add(LSTM(80, batch_input_shape=(64,11,20), return_sequences=True, recurrent_dropout = 0.1))
nn.add(LSTM(60, recurrent_dropout = 0.2))
nn.add(Dropout(0.2))
nn.add(Dense(40, activation='relu'))
nn.add(Dropout(0.2))
nn.add(Dense(10, activation='relu'))
nn.add(Dense(1))
nn.compile(loss= 'mse, optimizer= 'adam')
nn.fit(x_train, y_train, epochs=15, batch_size=64, shuffle=True, validation_data=(x_dev, y_dev))
y_pred = nn.predict(x_dev, batch_size=64)
其中batch_input_shape=(64,10,25)说明您的批量大小为 64（每次梯度下降训练 64 个样本），窗口大小为 10，并且您有 25 个不同的特征。如果您感到困惑，您可以删除代码中有关 dropout 的任何内容；它们只是为了防止过度拟合。
注意：不要忘记在开始时标准化您的数字输入数据！
希望我能帮上忙。祝你好运！
其它你可能感兴趣的问题