我在一个时间序列中有多个特征，并且想预测下一个时间步的相同特征的值。我已经训练了一个运行良好的 LSTM，但训练时间有点长。
所以现在我的问题是：使用 CNN 代替 LSTM 是否合理，即使它是一个时间序列？是否有任何指标表明您何时不应该切换到 CNN？
多变量时间序列分析：CNN 与 LSTM 何时合适？
数据挖掘
时间序列
美国有线电视新闻网
lstm
2021-09-28 15:08:13
3个回答
即使是时间序列，使用 CNN 代替 LSTM 是否合理？
是的。卷积神经网络适用于任何类型的数据，其中相邻信息被认为与数据分析相关。
CNN 非常适用于图像，其中数据在空间中是相关的，在视频中，相关性在空间和时间上都发生。
是否有任何指标表明您何时不应该切换到 CNN？
CNN 在某种意义上是有限的：它们具有刚性、前向的结构。
如果您尝试执行：
- 在具有不同长度的序列中分类（ 到 );
- 试图输出另一个序列，其长度与输入长度之间没有固定比例（ 到 ）。
简单的前馈神经网络将失败（由于维度不一致）。因此，在这种情况下，您应该使用递归神经网络，例如 LSTM。
时间序列表示数据的时间序列 - 通常对于序列数据 LSTM 是首选的 DNN 算法，因为它可以更好地处理序列。当您想要捕获图像中的邻域信息时，CNN 通常会变得很有用。
话虽如此，请参阅这篇关于如何将 CNN 用于多变量时间序列的文章：[https://machinelearningmastery.com/how-to-develop-convolutional-neural-network-models-for-time-series-forecasting/# :~:text=%5B%5B101.67965%5D%5D-,Multivariate%20CNN%20Models,Multiple%20Parallel%20Series]
通常，您需要考虑数据的行为方式。如果你的数据依赖于它的邻居，CNN 可能是一个解决方案。如果它像一个序列并且与它的邻居密切相关，那么 RNN 可能会很好。如果您发现需要更长的内存，则需要 LSTM。所以这一切都取决于你在做什么。