单变量LSTM预测模型(6)
教程原文连接
前置教程:
Python时间序列LSTM预测系列教程(1)-单变量
Python时间序列LSTM预测系列教程(2)-单变量
Python时间序列LSTM预测系列教程(3)-单变量
Python时间序列LSTM预测系列教程(4)-单变量
Python时间序列LSTM预测系列教程(5)-单变量
简单LSTM案例的扩展思考
基于Python时间序列LSTM预测系列教程
(4)~
(5)中介绍的LSTM案例
是最简单状态的LSTM,要得到优化的LSTM,需要进行很多扩展实验
1、Mini-Step预测
可以将预测变成n-time step的预测
2、Tune模型
至少tune下神经元个数和epoch的次数
在训练期间,通过回调进行早期停止,也可能获得好的结果
3、Seed状态
网络状态的初始化seed方案,可能影响性能
4、更新模型
模型可以在每次walk-forward验证的时候更新
5、输入的时间步
需要支持多时间步长的输入
6、输入lag属性
可以将lay作为输入特征feature,看能否提升模型性能,类似AR(k)
7、输入error序列
可以建立误差序列(通过静态模型预测误差),将其作为输入特征feature,看能否提升模型性能,类似MA(k)
8、学习非稳定数据
LSTM可能学习到趋势或周期性,可以通过实验确定下
9、对比无状态
可以建立无状态LSTM进行对比
10、统计特征
多次repeat计算一些统计值,可以通过相关统计学知识,计算不同模型设置下的性能