我的问题主要是关于一般直觉逻辑：当使用 RNN (LSTM) 预测时间序列时，您的目标是，例如，预测100 steps ahead一系列one single feature，什么样的配置对层有意义一个简单input | hidden | outputRNN 的大小和窗口大小（假设你想看不止一个点，所以你选择一个“窗口”/“间隔”？
更确切地说：
或者，如果回答这个问题太难或太费时间，从哪里可以得到回答这些问题的直觉？
（因为显然可能的配置空间是巨大的，除非你有大量的时间或资源，否则你需要一些直觉，这样你才能开始形成一个“大致有效”的配置......）
隐藏层中的单元数量是否应该大致等于您打算提前预测的步数？（另外，与窗口大小和提前预测的步骤之间的关系类似）
不要忘记，随着时间的推移，单个神经元可能会饱和——它可以假设值越来越接近 -1 或 1。这意味着您可以在几个连续的时间步长上获得很好的灵活性。因此，您不需要与时间步数一样多的神经元数量。
您可以通过用笔和纸在方格纸上绘制简单 RNN 的单个神经元来验证它。对于每个正方形（时间步长），绘制神经元的激活和先前的激活。在某个特定时间步假设输入不再为 0（例如 -1）并观察函数如何从该时间步开始波动到波中。老实说，对于单个神经元来说非常灵活。更令人纠结的是我们绘制了 2 个神经元。只有少数神经元的波可以保存和编码大量信息（呈指数增长）
使用窗口时，使用一组重叠窗口是否有意义，例如。一次滑动一个 10 点的窗口，还是不重叠的窗口？这类似于另一个问题： 滑动窗口导致 LSTM 中的过度拟合？
总的来说，滑动窗口对于 LSTM 来说是一种不好的方法，会导致过度拟合。更好的方法是在输出答案之前前后扫描序列。这是双向 LSTM，甚至是关注注意力。如果您需要依赖于神经元的每一帧输出一个答案，这是合理的——毕竟 LSTM 非常擅长记住事物，因为“累积”和允许振荡的纠缠（我在上面已经提到过）。
你需要一些直觉，这样你就可以开始形成一个“大致有效”的配置......）
引用一个非常传奇的帖子：
总而言之，对于大多数问题，通过仅使用两条规则设置隐藏层配置，可能可以获得不错的性能（即使没有第二个优化步骤）：（i）隐藏层的数量等于 1；(ii)该层中神经元的数量是输入和输出层中神经元的平均值。
还有一个好处，如何查询 LSTM 可能对未来的思考有用 - LSTM 查询方法