长短期记忆网络相当复杂，我还没有完全理解它们。
在我看来，LSTM 用于时间序列预测的最大收获是缺乏滞后特征的必要性：它自己确定哪些滞后信息实际上是重要的，并在下一个 tiestep(s) 中记住它。
在训练 LSTM 时，是否仍应创建滞后特征作为时间步长的输入？像上一个时间步的输出，或者上述时间步的均值和中位数，特定类别的均值和中位数，距离，差异等？
在为时间序列预测创建 LSTM 时，我是否需要设计滞后特征？
数据挖掘
神经网络
时间序列
lstm
rnn
特征工程
2021-09-16 20:25:26
2个回答
TL;博士
不，您不必在使用 LSTM 时包含滞后变量。
长答案
在 LSTM 架构中，您的神经元不仅有一个输入门和一个输出门，而且它们还有一个遗忘门，这使它们能够记住多个时间间隔内的值。因此，您不必在特征集中包含任何滞后变量，因为您可以期望 LSTM 自行发现相关的时间相关关系。这不仅适用于 LSTM，也适用于其他 RNN 架构。
遗憾的是，LSTM 并不完美，包含滞后变量确实可以显着提高模型性能，如本文所示。在各种 Kaggle 比赛中也观察到了这一点。
我会把它留给比我更有知识的其他人来解释为什么会这样。
其它你可能感兴趣的问题