單變量LSTM預測模型(6)
教程原文連接
前置教程:
Python時間序列LSTM預測系列教程(1)-單變量
Python時間序列LSTM預測系列教程(2)-單變量
Python時間序列LSTM預測系列教程(3)-單變量
Python時間序列LSTM預測系列教程(4)-單變量
Python時間序列LSTM預測系列教程(5)-單變量
簡單LSTM案例的擴展思考
基於Python時間序列LSTM預測系列教程
(4)~
(5)中介紹的LSTM案例
是最簡單狀態的LSTM,要得到優化的LSTM,需要進行很多擴展實驗
1、Mini-Step預測
可以將預測變成n-time step的預測
2、Tune模型
至少tune下神經元個數和epoch的次數
在訓練期間,通過回調進行早期停止,也可能獲得好的結果
3、Seed狀態
網絡狀態的初始化seed方案,可能影響性能
4、更新模型
模型可以在每次walk-forward驗證的時候更新
5、輸入的時間步
需要支持多時間步長的輸入
6、輸入lag屬性
可以將lay作爲輸入特徵feature,看能否提升模型性能,類似AR(k)
7、輸入error序列
可以建立誤差序列(通過靜態模型預測誤差),將其作爲輸入特徵feature,看能否提升模型性能,類似MA(k)
8、學習非穩定數據
LSTM可能學習到趨勢或週期性,可以通過實驗確定下
9、對比無狀態
可以建立無狀態LSTM進行對比
10、統計特徵
多次repeat計算一些統計值,可以通過相關統計學知識,計算不同模型設置下的性能