在处理时间序列预测时,我发现大多数人在使用 LSTM 模型时都遵循以下步骤:
- 获取、清理和预处理数据
- 取出验证数据集以便将来与模型预测进行比较
- 初始化并训练 LSTM 模型
- 使用验证数据集的副本进行与训练数据完全相同的预处理
- 使用经过训练的模型对转换后的验证数据进行预测
- 评估结果:预测与验证
但是,如果模型准确,您如何做出超出验证期结束时间的预测?
以下内容仅接受以与训练数据相同的方式转换的数据,但对于超出验证期的预测,您没有任何输入数据可提供给模型。那么,人们如何做到这一点呢?
# Predictions vs validation
predictions = model.predict(transformed_validation)
# Future predictions
future_predictions = model.predict(?)
最佳答案
要预测第 i 个值,您的 LSTM 模型需要最后 N 个值。 因此,如果你想预测,你应该使用每个预测来预测下一个。
换句话说,你必须循环类似的东西
prediction = model.predict(X[-N:])
X.append(prediction)
正如您所猜测的,您将输出添加到输入中,这就是您的预测可能出现分歧并放大不确定性的原因。
其他模型更稳定地预测遥远的 future 。
关于tensorflow - 喀拉斯 LSTM : how to predict beyond validation vs predictions?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/69753424/