我正在使用循环网络进行时间序列预测。
网络中最后一个单元的预测似乎总是最准确的。例如，如果我有 20 个单元格（因此我的输入样本长度为 20），则来自后面单元格（例如单元格 11-20）的预测似乎比来自早期单元格（例如单元格 1-10）的预测更好。
这是正常的吗？
假设我的网络只有 3 个单元。目前我会输入数据 x(t=0, t+1, t+2) 以获得对 t=0, t+1, t+2 的预测。这是错误的方法吗？如果我想在所有时间步都有良好的预测，我是否需要使用“移动窗口”，即我是否应该使用滚动输入序列：
For prediction at t=0, input x(t-2, t-1, t=0)
For prediction at t=1, input x(t-1, t=0, t=1)
For prediction at t=2, input x(t=0, t+1, t+2)
我正在使用循环网络进行时间序列预测。
有趣的是您选择的网络类型。几层？每层有多少个神经元？
网络中最后一个单元的预测似乎总是最准确的。
我假设您指的是您的样本的单元格。总是，如果您在数据流（在线）中学习，那么后期迭代中的网络比早期迭代中的网络看到的数据更多。因此，随着看到更多样本，您的预测会变得更加准确。当然，这假设您对数据流进行在线学习。
目前我会输入数据 x(t=0, t+1, t+2) 以获得对 t=0, t+1, t+2 的预测。这是错误的方法吗？
这取决于您的 RNN 是如何设置的。例如， Jordan 网络具有上下文神经元，它应该完全按照您的建议进行。网络中重复性的原因通常是您想要模拟短期记忆——这意味着，从数学的角度来看，您想要将来自先前迭代的信息馈送到网络的前端。因此，由于这个特性应该在你的 RNN 中得到处理，我认为扩展你的输入并不好，因为你引入了额外的、可能无用的权重，这些权重必须由网络学习。