我将尝试提供一些见解，希望对您有所帮助。

• 正常的 NN 可以像 RNN/LSTM 那样对时间连接进行建模，只要它足够深吗？

如果变得更深，每个神经网络在理论上都会变得更好。对于常规 NN 来正确建模时间连接，您可以使用最后 n 个时间步作为您的输入，并将第 n+1 个时间步作为您的目标。这将生成您的训练集，并且根据您的数据，您可以相当有效地对时间序列进行建模。

这种方法的所有最明显的缺陷实际上都由 RNN/LSTM 解决。

• 与 NN 相比，RNN 是否需要更多或更少的数据才能获得相同/更好的结果？

困难的问题，可能需要一些实证结果来检验该理论。此外，对于神经网络，有时更重要的是它的训练速度，而不是它拥有多少训练数据才能对性能产生最大的影响。

对我来说，主要区别在于您的常规 NN 将需要一个固定大小的输入，而您的 RNN 将能够使用“达到”一定大小的输入进行学习，这对于很好地建模整个时间序列可能是一个很大的优势.

• 是否存在正常 NN 或 RNN/LSTM 表现更好的时间序列？

同样，这是一个难题，因为它将取决于数据、网络架构、训练时间等。

我还没有对此进行实证研究，但我想说你最好的猜测是时间序列相当短（例如少于 100 个时间步）。如果时间序列很短，您可能不需要对如此复杂的时间关系进行建模，常规 NN 可能与 RNN 一样好。

• 是时间数据取决于哪个模型表现最好还是有一些指导方针？

如上所述，每次学习练习都将高度依赖于所使用的架构和超参数，甚至是权重的初始化，是否使用预训练，当然还有数据。同样，我认为时间序列越短，常规神经网络就越有竞争力。但同样，这只是基于直觉，并没有经过彻底检查。

- NN 行为能否比 RNN 行为更好地理解？

这完全取决于你理解的意思。RNN 比 NN 有更多的权重，所以最终会有更多的东西需要分析和最终理解。但是，随着数据越多，信息也会越多，因此也许从 RNN 中可以获得比简单 NN 更多的信息，即使它是深度神经网络。

另外，有时，基于权重和其他参数的初始化，模型的解释可能会有所不同，即使它是在相同的数据上训练的。

RNN 不一定更快。很难比较不同的架构，但在我正在做的文本挖掘应用程序中，我的 RNN 训练和评分的时间是我的 CNN 的 3-5 倍。

远程关系需要大量数据来学习任何模型。我不清楚更多地关注最近的数据是一件坏事。系统会随着时间而变化，因此过多关注古代数据可能没有用。

你所说的“理解”是什么意思：抽象地理解、可视化、探究特定的预测？

对于一个很酷的 RNN 可视化（文本）：https ://arxiv.org/abs/1506.02078 。

选择不是“LSTMs are all hype”与“LSTMs ROCK”。例如，在文本使用（单词或字符的分类时间序列）中，CNN 在某些方面表现更好，而 LSTM 在其他方面表现更好。

从理论上讲，RNN（当然包括 LSTM）可以直接处理变长序列，而 CNN 或其他 NN 需要一些工作。（在实践中——例如，如果你使用 tensorflow 作为底层引擎——你将无法使用 RNN 处理任何长度的序列，但原理就在那里。）