나는 LSTM 신경망 (stateful)을 사용하여 시계열 예측을하고있다.스테이트 풀 LSTM 신경 네트워크에서 시계열을 예측하는 올바른 방법입니까?
나는 상태 보존 형 LSTM이 숨겨진 패턴을 포착하고 만족스러운 예측을 할 수 있기를 바라고 있습니다 (시계열의 변화를 유발하는 물리적 법칙은 분명하지 않음).
나는 1500
(실제 관측 데이터)의 시간 시리즈 X
을 가지고 있으며, 내 목적은 미래를 예측하는 것입니다. 100
.
나는 다음 10
가 다음 100
을 예측하는 것보다 더 유망 할 것이라고 예측한다고 생각합니다. 맞습니까? 훈련 후
shape of trainX: [140, 100, 1]
shape of trainY: [140, 10, 1]
---
0: [x_0, x_1, ..., x_99] -> [x_100, x_101, ..., x_109]
1: [x_10, x_11, ..., x_109] -> [x_110, x_111, ..., x_119]
2: [x_20, x_21, ..., x_119] -> [x_120, x_121, ..., x_129]
...
139: [x_1390, x_1391, ..., x_1489] -> [x_1490, x_1491, ..., x_1499]
---
, 내가 모델을 사용하려면 :;
그래서, 나는 (x_n
가 X
에서 n-th
요소를 나타냅니다 항상이 10
다음 예측하기 100
값을 사용)이 같은 훈련 데이터를 준비 다음 10
값을 예측하려면 을 [x_1400 - x_1499]
으로 설정 한 다음 을 사용하여 값 [x_1510 - x_1519]
을 예측하십시오.
올바른 방법인가요?
문서 및 예제를 많이 읽은 후에 모델을 훈련하고 예측할 수 있지만 결과는 만족스럽지 않습니다.
이 메서드를 확인하려면 100 (x_1400 - x_1499)
값을 알 수없는 것으로 가정하고 trainX
및 trainY
에서 값을 제거한 다음 모델을 훈련시키고 예측하십시오. 마지막으로, 예측 된 값과 관측 된 값을 비교하십시오.
모든 의견이나 제안을 부탁드립니다.
나는 단지 기이한데,이 기후 데이터입니까? –
아닙니다. 천체 물리학적인 데이터입니다. :) @ RaphaelRoth – leftriver
내 생각은 TSI (total solar irradiance) 또는 그와 비슷한 것을 생각했다. –