tensorflow - 喀拉斯 LSTM : how to predict beyond validation vs predictions?

Question

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:

1. 获取、清理和预处理数据
2. 取出验证数据集以便将来与模型预测进行比较
3. 初始化并训练 LSTM 模型
4. 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
5. 使用经过训练的模型对转换后的验证数据进行预测
6. 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(?)

Answer 1

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 。