스테이트 풀 LSTM 신경 네트워크에서 시계열을 예측하는 올바른 방법입니까?

Question

나는 LSTM 신경망 (stateful)을 사용하여 시계열 예측을하고있다.

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 X을 가지고 있으며, 내 목적은 미래를 예측하는 것입니다. 100.

나는 다음 10가 다음 100을 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_n가 X에서 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 trainY에서 값을 제거한 다음 모델을 훈련시키고 예측하십시오. 마지막으로, 예측 된 값과 관측 된 값을 비교하십시오.

모든 의견이나 제안을 부탁드립니다.

시간 시리즈는 다음과 같습니다

Answer 1

귀하의 질문은 정말 복합되어있다. 내가 대답하려고 노력하기 전에 - 나는 너의 업무에 LSTM을 사용하는 것이 현명하다는 것을 너에게 의구심을 표한다. 비교적 진보 된 모델 (LSTM은 실제로 복잡한 패턴을 배울 수 있습니다)을 사용하여 비교적 쉽게 보이는 시계열을 원합니다. 게다가 - 당신은 정말로 작은 데이터를 가지고 있습니다. 솔직히 말해서, 나는 더 간단하고 쉬운 방법을 먼저 훈련 시키려고 노력할 것입니다 (예를 들어 ARMA 또는 ARIMA).

귀하의 질문에 대답하려면 - 귀하의 접근 방식이 좋은 경우 - 합리적인 것으로 보입니다. 다른 합당한 방법은 모두 100 단계 또는 예를 들어 50 두 번 단계. 10 단계를 사용하면 오류 누적이 발생할 수 있지만 여전히 좋은 방법 일 수 있습니다. 앞서 언급 한 바와 같이

는 - 차라리이 작업을 쉽게 ML 방법을 시도 할 수 있지만 정말 LSTM을 사용하려는 경우 당신은 다음과 같은 방법으로이 문제를 해결할 수 있습니다

1. 앞서 단계의 번호와 같은 metaparameters 정의 당신은 네트워크에 공급되는 입력의 크기를 예측하고 싶습니다.
2. 예 : 그리드 검색을 사용하여이 메타 매개 변수의 최적 값을 찾습니다. k-fold 교차 유효성 검사를 사용하여 각 설정을 평가하십시오.
3. 최고의 메타 매개 변수 설정을 사용하여 최종 모델을 다시 배정하십시오.

비교적 적은 양의 데이터가 있으므로 하이퍼 매개 변수의 값을 쉽게 찾을 수 있습니다. 또한 접근 방식이 좋은지 아닌지를 알려주며 최적의 솔루션에서 제공하는 결과를 확인하십시오.