Deeplearning4j LSTM时间序列预测示例
Deeplearning4j是一个基于Java的深度学习库，专注于大规模神经网络的训练。它支持多种类型的神经网络模型，包括长短期记忆（LSTM）模型，用于处理时间序列数据的预测任务。
LSTM是一种特殊类型的循环神经网络（RNN），在处理时间序列数据时表现出色。它通过使用门控单元来解决传统RNN中的梯度消失和梯度爆炸问题，从而能够更好地捕捉时间序列数据中的长期依赖关系。
LSTM时间序列预测示例是一个使用Deeplearning4j库实现的示例，用于展示如何使用LSTM模型进行时间序列数据的预测。该示例通常包括以下步骤：
- 数据准备：收集和准备用于训练和测试的时间序列数据。这些数据可以是任何具有时间顺序的连续变量，如股票价格、气温等。
- 数据预处理：对数据进行必要的预处理，如归一化、平滑处理等，以便更好地适应LSTM模型的训练。
- 模型构建：使用Deeplearning4j库构建LSTM模型。这涉及定义模型的结构、选择适当的激活函数和损失函数等。
- 模型训练：使用准备好的训练数据对LSTM模型进行训练。这涉及选择适当的优化算法、设置训练参数（如学习率、批量大小等）以及监控训练过程中的性能指标。
- 模型评估：使用测试数据评估训练好的模型的性能。这可以通过计算预测结果与实际结果之间的误差指标（如均方根误差）来完成。
- 预测应用：使用训练好的模型进行未来时间点的预测。这可以帮助用户做出基于历史数据的决策，如股票交易策略、天气预报等。
在腾讯云中，可以使用腾讯云机器学习平台（Tencent Machine Learning Platform，TMLP）来支持Deeplearning4j LSTM时间序列预测示例的实施。TMLP提供了丰富的机器学习工具和资源，包括模型训练和部署、数据管理、模型评估等功能。您可以通过以下链接了解更多关于腾讯云机器学习平台的信息：腾讯云机器学习平台
请注意，以上答案仅供参考，具体的实施方法和推荐的产品可能因实际需求和环境而有所不同。
相关·内容
我正在尝试用Deeplearning4j做一些简单的时间序列预测，使用LSTM，但我很难让它工作。我有一个简单的文本文件与数字列表如下，并希望网络学习预测下一个数字。有没有这方面的示例代码？我发现的Java示例似乎都是关于图像处理和分类的。
112
118
132
129
121
135
148
...
浏览 2提问于2018-02-04得票数 3
1回答
我正在TensorFlow上开发一个模型，将一个连续的标签赋予一个时间序列的每一个时间步骤。该模型用于实时数据，这样，在以前的时间步骤上观察到的时间序列的值将对LSTM赋予当前时间步骤的标签产生影响。为此，我使用tf.contrib.rnn.LSTMCell。
我的数据由每天的时间序列组成，分分秒秒的分辨率。时间序列的总长度总是一样的.在下面的中，在左边的蓝色图中，您可以找到我的数据是什么样子的示例。
我希望用+1和-1之间的浮点值对输入时间序列进行分类，这样+1对应于时间序列的最大值，-1对应于最小值，而任何其他值(在+1和-1内)对应于中间的某个值。因此，我希望LSTM根据以前的
浏览 1提问于2017-03-25得票数 0
2回答
我读过几篇关于RNNs (特别是LSTM)的论文、文章和博客文章，以及我们如何使用它们来进行时间序列预测。在我发现的几乎所有示例和代码中，问题都被定义为根据以前的数据找到时间序列的下一个x值。我想要解决的问题如下：
假设我们有一个时间序列的t值，那么它在时间t+1中的值是多少？
所以使用不同的LSTM包(deeplearning4j，keras，.)我现在正在做的事情是：
创建一个LSTM网络并将其适用于t示例。我的网络只有一个输入和一个输出。至于输入，我将有以下模式，并将它们称为训练数据: t_1、t_2 t_2、t_3 t_3、t_4
下一步是使用t_4作为输入，期望t_5作为输出，然后使
浏览 0提问于2016-07-12得票数 5
回答已采纳
3回答
我见过许多ML数据集都有竞争(比如imageNet)。我一直在为航空公司乘客数据集寻找某种竞争或最先进的LSTM解决方案，但我所能找到的都是非常糟糕的解决方案(比如下个月将像本月一样)，并且有一些杂乱无章的论点，如果调整参数，就可以得到一个很好的解决方案。我找到的最好的集成LSTM解决方案是神经网络时间序列预测中的混沌控制，但我正在寻找单一的LSTM解决方案。
所以我的问题是，已知的最先进的LSTM解决方案是什么(如果有的话，也许是其中的一个时间表)，如果没有，为什么呢？从数据上看，这似乎是一个简单的问题。是否有其他众所周知的时间序列预测数据集，其中一个基准LSTM解决方案？
浏览 0提问于2023-03-25得票数 2
回答已采纳
1回答
我读到LSTM的内部状态如下：
它总是在批处理中传递，所以从第一个示例的最后一个时间戳到第一个i+1st。
如果LSTM是有状态的，那么状态将在批间传递，因此对于所有索引i，batch_ki的最后一个时间戳处的内存被传递给batch_{k+1}i的第一个时间戳。
对我来说，这引起了几个问题。(如果我的理解有误，请纠正我)
这是否意味着(i+1)st示例的第一个时间戳需要是示例i的最后一个时间步骤的执行者？(对所有我而言)
按照同样的思路，批处理k+1中的第一个样本的第一个时间戳是否必须是批k中第一个样本的最后一个时间戳的收集者？
如果前两个结论是正确的，那么对于有状
浏览 0提问于2018-03-14得票数 0
回答已采纳
我有一个来自多个用户的数据集(nUsers)。每个用户在时间上被随机抽样(每个用户的非常数nSamples )。每个示例都有许多特性(nFeatures)。例如：
nUsers =3->3个用户
nSamples = 32，52，21 ->第一用户抽样32次，第二用户抽样52次等。
nFeatures = 10
我希望LSTM能够根据当前的特性和同一用户先前的预测来生成当前的预测。我可以使用LSTM层在Keras中这样做吗？我有两个问题：
对于每个用户，数据具有不同的时间序列。我该怎么把这个合并起来？
如何将先前的预测添加到当前的时间特征空间中，以便做出当前的预测？
浏览 0提问于2017-07-10得票数 15
回答已采纳
我想我理解通过LSTM或XGBoost模型进行预测的想法，但我想联系社区来证实我的想法。
本教程很好地一步一步地解释了该做什么："如何建立多步LSTM电力使用时间序列预测模型“
然而，在预测方面，作者拿出了部分数据，然后用这些数据来预测未来的值.在我看来，这并不是一种预测(通过ARIMA、VAR等方法完成的事情--你可以指定时间周期的数目，然后不指定任何东西，模型给你一些关于未来的预测)，你可以看到我对作者的评论，基本上，通过LSTM或XGBoost模型的预测将基于输入值而不是未来的数据范围，即我需要提供温度、湿度、风等来预测房屋的耗电量。
话虽如此，LSTM或GXBoost在何种程度
浏览 0提问于2019-09-30得票数 4
当我在测试数据上运行经过训练的lstm时，它会同时预测所有这些，而无需对每个新的预测进行再培训，但由于我使用的是时间序列，这对于我的工作是必要的。对于这类预测，角星中没有内置的函数吗？
浏览 1提问于2020-06-06得票数 2
回答已采纳
2回答
使用LSTM进行二进制分类
、、、、
我有大小为100000*5的时间序列数据。100000个样本和5个变量。我已经将每个100000个样本标记为0或1。即二进制分类。我想使用LSTM来训练它，因为数据的时间序列性质。我见过LSTM用于时间序列预测的例子，它是否适合在我的情况下使用。
浏览 1提问于2017-01-23得票数 1
1回答
我们目前正在用Deeplearning4j做一个关于机器学习的小实验。
我们有来自不同设备的时间序列的电压测量，我知道这是相互依赖的。我们设法用1和0标记大量的这些数据。
我们的问题是找出模型的层的用法。
对我们来说，在人们之间使用它似乎是一种经验，而例子似乎是随机的。
我们目前使用LSTM和RNN
但是我们如何才能弄清楚是否有更好的模型呢？
我们想看看模型是否能通过预测找出一些我们没有注意到的依赖关系。
浏览 5提问于2019-11-28得票数 0
回答已采纳
1回答
我已经想出了如何使用值来训练LSTM，但是如果我想包括时间，数据会是什么样子的呢？也许输入维数为2，以时间作为划时代的秒和归一化值？数据中可能存在时间上的差距，我希望培训能够反映这一点。
假设我只想定期训练LSTM，因为这是一项昂贵的操作，您将如何预测将来的值，在上一次训练时间和第一次预测时间之间有一个差距？例如，让我们说我3天前训练了LSTM，但现在我想预测第二天的值。
到目前为止，我的所有工作都是基于本文：。但它没有涵盖这类问题。
浏览 1提问于2016-12-07得票数 4
回答已采纳
2回答
我试图在Keras中使用多元LSTM进行多步时间序列预测.具体来说，我最初为每个时间步骤都有两个变量(var1和var2)。在遵循在线教程之后，我决定使用时间上的数据(t-2)和(t-1)来预测时间步骤t的var2值。正如示例数据表所示，我使用前4列作为输入，Y作为输出。我开发的代码可以看到，但我有三个问题。
var1(t-2) var2(t-2) var1(t-1) var2(t-1) var2(t)
2 1.5 -0.8 0.9 -0.5 -0.2
3 0.9 -0.5 -0.1
浏览 14提问于2017-10-24得票数 9
回答已采纳
我正在训练一个神经网络，通过传递昨天的可用性(144个样本)来预测一整天的可用性(144个样本，6个特征)。对于如何定义神经网络来预测回归问题中的时间序列，我很难找到好的资源或解释。训练被定义为一个监督学习问题。我对神经网络的定义是，
lstm_neurons = 30
model = Sequential()
model.add(LSTM(lstm_neurons * 2, input_shape=(self.train_x.shape[1], sel f.train_x.shape[2]), return_sequences=True))
model.add(LSTM(lstm_n
浏览 0提问于2019-12-26得票数 1
我试图创建一个模型，预测未来的股票数据使用13个数据功能。我使用的是TimeseriesGenerator，但是当我试图安装我的模型时，我收到了一个错误，上面写着：
ValueError:检查输入时出错:期望lstm_1_input具有形状(529，13)，但得到形状为(5，13)的数组
我的数据集有529行，我想用来训练它们来预测未来的5天。如能在这方面提供任何协助，将不胜感激。
# Part 1 - Data Preprocessing
# Importing the Libraries
import numpy as np
import matplotlib.pyplot as plt
浏览 1提问于2019-07-28得票数 0
回答已采纳
我试图根据变量的前10个值来预测变量的当前值。我尝试了多重时间序列方法，包括ARIMA，LSTM和线性回归。它们都没有很好的表现，所以我开始认为，我拥有的数据序列只是随机的，不可预测的。
如果你有什么建议，请告诉我。或者，如果您知道我可以计算的任何度量，以确保我拥有的数据序列不只是随机的。
对于LSTM，我尝试使用Window方法在以下链接中进行预测：https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/
以下是我使用的自相关图、图和数据序列的一
浏览 0提问于2021-06-03得票数 3
回答已采纳
1回答
我正在尝试理解Deeplearning4j上的LSTM。我正在检查示例的源代码，但我不能理解。
//Allocate space:
//Note the order here:
// dimension 0 = number of examples in minibatch
// dimension 1 = size of each vector (i.e., number of characters)
// dimension 2 = length of each time series/example
INDArray input =
浏览 0提问于2016-05-16得票数 1
1回答
我有一个简单的单变量时间序列预测问题，其中我的输入是10, 20, 30, 40, 50, 60, 70, 80, 90。我想让模型预测接下来的3个值。也就是说，输出应该是100, 110, 120。
我使用堆叠的LSTM来做这件事。我的代码如下。
from numpy import array
from keras.models import Sequential
from keras.layers import LSTM, Dense
def split_sequence(sequence, n_steps_in, n_steps_out):
X, y = list(), lis
浏览 12提问于2020-03-10得票数 0
回答已采纳
1回答
LSTM模型不良预测
、、、、
我试图实现用于时间序列预测的LSTM模型。下面是我的试用码。此代码运行时没有错误。
metrics = ['mean_squared_error', 'mean_absolute_error', 'mean_absolute_percentage_error']
# define model
model = Sequential()
model.add(LSTM(100, activation='relu', input_shape=(n_past, 6), return_sequences=True))
model.add(
浏览 0提问于2020-12-07得票数 1
3回答
这是一个单变量时间序列预测问题。如下面的代码所示，我将初始数据划分为一个列车数据集(trainX)和一个测试数据集(testX)，然后通过keras创建一个LSTM网络。接下来，通过训练数据集对模型进行训练。然而，当我想得到预测时，我需要知道测试值，所以我的问题是:既然我知道问题中的测试数据集的真实值，我为什么要预测。我想得到的是未来时间的预测值？如果我对LSTM网络有一些误解，请告诉我。
谢谢!
# create and fit the LSTM network
model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)
浏览 5提问于2018-10-24得票数 3
回答已采纳
我对机器学习和深度学习还不熟悉。目前，我正试图用PyTorch中的LSTM来预测时间序列数据。我遇到的问题是，我不明白我应该使用哪一种输出来进行最后的预测。我的代码如下：
class Model(nn.Module):
def __init__(self, input_size, hidden_size, output_size, seq_len, dropout):
super(Model, self).__init__()
self.input_size = input_size
self.hidden_size = hidden_size
self.o
浏览 3提问于2020-05-30得票数 1
2回答
我正在学习LSTM网络。输入必须是3D的。所以我有一个CSV文件，它有9999个数据，只有一个功能。所以它只是一个文件。
所以通常是(9999,1)，然后我用时间步骤重新塑造20步
timesteps = 20
dim = data.shape[1]
data.reshape(len(data),timesteps,dim)
但我还是会犯错误
ValueError:无法将大小为9999的数组整形为形状(9999,20,1)
和LSTM的输入
model.add(LSTM(50,input_shape=(timesteps,dim),return_sequences=True, activati
浏览 0提问于2018-12-26得票数 4
回答已采纳
对于与时间相关的问题，例如股票预测：
假设我们有300天的数据，10个特性，还有一个目标:价格。
为什么，对于训练，我们只需要300天的价格？我知道这是LSTM模型的工作方式，但是考虑到其他299天模型的价格不是很有用吗？
浏览 0提问于2019-05-22得票数 0
3回答
我想预测某些每周可预测的值(低信噪比)。我需要预测一年中每周形成的整个时间序列(52个值-图1)。
我的第一个想法是使用TensorFlow上的Keras开发一个多到多的LSTM模型(图2)。我用52个输入层(前一年给定的时间序列)和52个预测输出层(明年的时间序列)来训练模型。train_X的形状是( X_examples，52，1)，换句话说，X_examples训练，52个时间步骤，每一个特征。据我所知，Keras将把52个输入视为同一域的时间序列。train_Y的形状相同(y_examples，52，1)。我添加了一个TimeDistributed层。我的想法是，该算法将预测
浏览 5提问于2017-12-01得票数 23
回答已采纳
我想对我的数据应用CNN和LSTM，我只选择了一小部分数据；我的训练数据的大小是(400,50)，我的测试数据是(200,50)。在只有CNN模型的情况下，它没有任何错误，只是在添加LSTM模型时有很多错误：
model = Sequential()
model.add(Conv1D(filters=8,
kernel_size=16,
padding='valid',
activation='relu',
strides=1,
浏览 14提问于2017-08-09得票数 3
回答已采纳
1回答
LSTM预测
、、、、
我正在研究一个LSTM模型，我发现了一些例子，但我对输出感到困惑。在这里，我试图预测未来24小时，我应该把1或24放在致密层上？这一部分正确吗？我一直在关注这个
reg = Sequential()
reg.add(LSTM(units = 5, activation='relu', input_shape=(24,1)))
reg.add(Dense(24)) #Predicting the next 24h
谢谢。
浏览 20提问于2020-05-10得票数 0
回答已采纳
回归的：
sequence-to-sequence：LSTM层的输出是一个序列，输入到一个完全连接的层。lstmLayer(N, 'OutputMode', 'sequence')。
sequence-to-one：LSTM层的输出是序列的最后一个元素，输入到一个完全连接的层中。lstmLayer(N, 'OutputMode', 'last')。
两者在时间序列预测方面有什么区别？什么时候应该用一个而另一个呢？
注意：使用顺序到顺序的体系结构.如果你只需要预测下一个时间步骤，为什么要输出一个完整的序列
浏览 8提问于2019-02-26得票数 0
回答已采纳
2回答
我的理解是，对于某些类型的seq2seq模型，您需要训练编码器和解码器，然后将编码器放在一边，只使用解码器进行预测。例如，优步的seq2seq时间序列预测模型：
📷
现在，我正试图在Keras中实现这个to版本。
这是普通LSTM的Keras代码：
# define model
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(n_steps, n_features)))
model.add(Dense(1))
model.compile(optimizer='adam'
浏览 0提问于2019-07-27得票数 4
1回答
我为这个新手的问题道歉，但我希望这里的人能给我指明正确的方向。
我想预测事件( X )发生的时间，因为我怀疑几个时间序列与X的时间相关。我的模型将接受完整的时间序列作为输入，并为事件X预测发生的时间输出一个值。请注意，我不是试图预测未来事件的时间，而是预测过去事件的时间。当使用该模型时，我将访问整个时间序列。下面简要介绍一下这些数据的外观：
📷
我的数据集包含许多示例，如上面的示例，即设置窗口中的几个时隙，以及事件发生的时间。
像LSTM模型这样的东西能被训练来完成这项任务吗？经过深入研究，LSTM和RNN模型看起来很适合预测时间序列中的下一个点，而不是像我所描述的那样输出事件的时间。
我能够
浏览 0提问于2020-09-04得票数 0
1回答
用LSTM预测样本外时间点
、、、、
我正在用LSTM解决一个时间序列预测问题。数据是单变量和非平稳的。我跟踪了本教程。
数据处理如下:首先，取每两个连续时间点之间的差值。然后，通过将下一个时间点作为标签，将数据格式化为一个监督学习问题。最后，在1和-1之间进行缩放。然后使用处理过的数据来拟合LSTM模型。对测试数据进行相同的处理步骤，以检查LSTM的预测。执行差分和缩放的逆运算来表示预测值。一切都很好，我在测试集上得到了很好的结果。但问题是，当我想预测下一个时间点，是没有样本。假设我有100个数据点，70分用于训练，30个用于测试，我想预测点数101等等。我试着用
model.predict(X)
但不起作用。X不能简单地成为数
浏览 0提问于2021-04-25得票数 1
2回答
我正在尝试创建一个keras LSTM来预测时间序列。我的x_train的形状像3000,15,10 (示例，时间步长，特征)，y_train像3000,15,1，我正在尝试建立一个多对多模型(每个序列10个输入特征就是1个输出/序列)。
我使用的代码是这样的：
model = Sequential()
model.add(LSTM(
10,
input_shape=(15, 10),
return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(
100,
return_sequence
浏览 3提问于2017-10-25得票数 0
1回答
我对神经网络和LSTM很陌生，因此这里需要一些帮助。
我有100个不同时间长度的文件，每个文件都有13个特征。每个文件代表一个输出类。
现在，我想拥有一个LSTM网络，它可以对这些timeseries文件进行分类。我该怎么做呢？我应该如何处理/准备我的数据？网络的输入应该是什么样子的？
提前谢谢。
浏览 0提问于2017-10-17得票数 2
1回答
我想要做的是在当前时间步骤将LSTM的输出作为下一个时间步骤中的LSTM的输入。因此，我希望LSTM在当前时间步骤中预测单词，并将这个单词作为下一个时间步骤的输入。这是否可以做到：
如何在培训期间(即在model.fit()函数中)指定输入和目标数据？
浏览 3提问于2017-03-06得票数 3
回答已采纳
我使用Keras (Tensorflow后端)来拟合时间序列模型。这是我的模型：
model = Sequential()
model.add(LSTM(LSTM_nums, input_shape=(timestep,data_dim)))
model.add(Dense(2))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)
我想知道是否存在用给定的时间步骤设置LS
浏览 0提问于2017-11-12得票数 0
2回答
对于序列预测问题，我不明白变压器和LSTM在力学上的区别。到目前为止，我收集到的资料如下：
LSTM:
📷
假设我们想要预测单词‘深处’中的剩余标记，给出第一个标记'd‘。然后第一个输入是'd'，预测的输出是'e‘。现在，在下一个时间步骤中，先前预测的输出'e‘与包含关于'd’的信息的前一个隐藏状态一起输入。直到预测的输出为
变压器：
在同一示例中，转换器将如何工作，并避免顺序输入？我们是将整个单词“深度”作为输入，并将其留给网络以正确的顺序获取字符，还是只输入'd‘(这是我们在LSTM中所做的)？
我真的很困惑，我想我错过了一些非常基本
浏览 0提问于2021-09-04得票数 0
2回答
我有一个具有单个预测器和一个实值输出的时间序列回归问题，我想使用LSTM递归神经网络对数据进行建模。我应该如何选择模型中的时间步数？LSTM层的长度有上限吗？
浏览 1提问于2016-12-22得票数 4
1回答
基于LSTM的时间序列一步预测
、、、、
我想用LSTM预测股票价格。我成功地训练了我的模型并保存了它。现在我已经加载了它，我将如何使用model.predict()来预测在数据集中没有对应值的股票价格，就像目前一样，我只能“预测”数据集中已经存在的已知值。
塞纳里奥:我的模型已经训练好了(足够高的精确度)，而且我保存了它。我想应用我的模型(load_model())。我的时间步骤设置为30天，所以我已经加载了30天的数据(例如。3月9日-4月8日)在适当的格式，但显然我没有‘预期’输出。如何使用model.predict()来预测未来的价值。还是我遗漏了什么？
上面的图表是当我使用model.predict()预测数据集中
浏览 2提问于2020-04-08得票数 0
2回答
我有一个变量，我想要预测到未来30年。不幸的是，我没有太多的样本。
df = pd.DataFrame({'FISCAL_YEAR': [1979,1980,1981,1982,1983, 1984,
1985, 1986, 1987, 1988, 1989, 1990, 1991, 1992, 1993, 1994,
1995, 1996,
1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005, 2006,
2007, 2008, 2009, 2010, 201
浏览 2提问于2018-11-03得票数 8
我有数百个设备的数据(对不起，我没有详细说明设备和设备记录的数据)。对于每个设备，每小时记录数据。
记录的数据为25个维度。
我几乎没有什么预测任务
时间序列预测
我用的是LSTM。因为我有数百个设备，而且每个设备都是一个时间序列(多变量数据)，所以我所有的数据都是多变量数据的多个时间序列。
为了处理多个时间序列，我的第一种方法是一个接一个地连接数据，并将它们作为一个时间序列(既可以是单变量，也可以是多元)，并应用LSTM并训练我的LSTM模型。
但是通过上述方法(通过连接时间序列数据)，实际上我正在失去数据的时间属性，所以我需要一个更好的方法。
请提出一些想法，或博客文章。
请不要混
浏览 0提问于2019-05-11得票数 1
我正在做一个时间序列预测的机器学习项目，使用Keras库创建RNN。我得到了很好的结果，但我很难决定这些层的设计，我正在尝试和错误地处理这个问题，我似乎在网上找不到任何关于如何选择每一个层和神经元数量的指导方针。我该怎么做？
我的数据有14个变量，每个变量510天，我使用80%用于培训(其中20%用于验证)，其余用于测试。我正在将网络的输入重塑为(510，1，14)，并且我做了几次模拟，将值窗口向后移动，所以形状结束了(510，1，14*window_days)。我无法理解是否将1设置为时间步骤，并将以前的时间步骤的值添加为变量是正确的方式，还是应该重新设置输入。
这是我使用的模型：
mode
浏览 1提问于2018-06-04得票数 2
回答已采纳
1回答
我有一个simpleRNN / LSTM，我正在尝试使用tensorflow在顺序分类任务上进行训练。有一个数据序列(300个时间步长)预测t=300处的标签。对于我的任务，我希望RNN评估每个时间步的错误(不仅仅是在最后的时间点)，并向后传播它(如下图所示)。
在下面的一些响应之后，我似乎需要做一些事情:使用return_sequences标志；使用TimeDistributed层访问来自LSTM/RNN的输出；还定义了一个自定义的损失函数。
model = Sequential()
layer1 = LSTM(n_neurons, input_shape=(length, 1),
浏览 1提问于2021-04-20得票数 0
1回答
时序异常检测方法的比较
、、、、
经过几天的研究，我可以对现有的对时间序列进行异常检测的方法进行一次全面的了解，即：
深度学习预测。例如：RADM或LSTM模型
没有深度学习的预测。例如：季节ARIMA + 卡尔曼滤波器
用自动编码器去噪固定长度的窗口(深度学习方法)。例如：MAD，CNN/LSTM自动编码器，变分自动编码器等。
去噪不需要深入学习。例如：应用卡尔曼或霍德里克普雷斯科特等滤波器，检验原时间序列预测值的偏差是否在阈值以下。
也许还有更多的方法不能归类到这个截图中。
我的问题是，取决于可能发生的数据集类型，哪种方法更适合开发一个timeseries异常系统的需要：
以单变量的方式检测异常，但允许多变量后验积分。
适
浏览 0提问于2019-01-24得票数 2
df_btc1=df_btc.sort_index(ascending=True,axis=0)
new_dataset=pd.DataFrame(index=range(0,len(df_btc)),columns=['Date','Close'])
L=len(df_btc)
for i in range(0,len(df_btc1)):
new_dataset["Date"][i]=df_btc1['Date'][i]
new_dataset["Close"][i]=df_btc1["
浏览 3提问于2022-03-01得票数 0
回答已采纳
我试图找到正确的例子，使用LSTM自动编码器来定义时间序列数据中的异常，并看到了很多例子，其中LSTM自动编码器模型中有标签，这是特征序列未来的时间步骤(对于通常使用LSTM的时间序列预测)，但我认为这种模型应该使用与特征序列相同的标签(以前的时间步骤)来训练。
例如，搜索google中的第一个链接-
1.这个函数定义了获取标签(y特性)的方法。
def create_sequences(X, **y**, time_steps=TIME_STEPS):
Xs, ys = [], []
for i in range(len(X)-time_steps):
Xs
浏览 7提问于2020-11-23得票数 1
2回答
我每天都有感应器的时间序列数据。我只想问问自己，如何用LSTM来训练自己。为了分类？既然我想要LSTM列车的所有例子，而不仅仅是一个？
我只看到LSTM在一个时间序列上接受培训的例子。
浏览 0提问于2018-11-30得票数 0
2回答
我在不同的数据集上运行了LSTM和SVR模型，样本值在1-4000之间，并且SVR中的MAPE始终小于通过LSTM获得的MAPE。有人告诉我，事实恰恰相反( LSTM应该表现得更好)，但在网上没有发现多少信息。我希望有任何反馈意见和任何链接到文章或论文(到目前为止，我发现了非常不同的意见)。
浏览 0提问于2019-06-28得票数 0
1回答
我用LSTM训练了一个时间序列模型(形状为N，20，1)。
假设N是最后一个数据。
使用model.predict给出了N + 1第四代预测值。
如何预测N+ 2，N+ 3，N+4之后的数据值.等。
浏览 2提问于2020-05-17得票数 1
回答已采纳
我试图按顺序预测多维值，例如[[0, 0, 2], [1, 0, 3], [2, 3, 4], [3, 2, 5], [4, 0, 6], [5, 0, 7] ... ]，并希望每个[x, y, z]维度都被LSTM捕获。
当我试图在下面的模型上运行model.fit()时，我会得到标题中的错误，
ValueError: Error when checking target: expected time_distributed_19 to have 3 dimensions, but got array with shape (1824, 3)
我知道输出层应该是三维的，但是我在思考如何使用L
浏览 0提问于2018-06-24得票数 0
回答已采纳
1回答
我在时间序列数据集上解决分类任务。
我使用一个具有学习的位置编码的转换器编码器，其形式是形状矩阵
\mathbb{R}^{seq \times embedding}
。
当然，这会导致模型能够处理的序列长度变得固定。我有个想法用LSTM学习位置编码。
也就是说，我们在嵌入维上投射出一系列线性层的标记，然后将嵌入映射到LSTM层，然后向嵌入中添加隐藏状态。
x = MLP(x)
x = x + LSTM(x)
你认为这会有正确的效果吗？
有什么要考虑的吗？
浏览 0提问于2022-06-12得票数 1
回答已采纳
1回答
我试着准备一个模型，从给定的数字数组中预测前两个数字。所以，输入数据集是这样-
[1 2 3 5] [4 8 5 9] [10 2 3 15]
输出将是- [1 2] [4 8] [10 2]
因此，RNN的体系结构如下(摘自)
那么，我想要达到的基本架构应该是接近这个的东西-
所以，它应该是一个多到多的网络。(类似于第四张图片)
问题--所以，我如何使用Keras?创建这种类型的模型？
我的发现-
我试过这样的方法-
n_samples = 10000
input = np.random.randint(5,10, (n_samples,5))
output = inpu
浏览 2提问于2018-05-13得票数 0
1回答
目标
试图在多元时间序列数据集上运行LSTM自动编码器：
X_train (200, 23, 178) - X_val (100, 23, 178) - X_test (100, 23, 178)
现状
普通的自动编码器比简单的LSTM结构得到更好的结果。
我对如何使用重复向量包装层有一些疑问，据我所知，该层应该简单地重复若干次，相当于LSTM/GRU单元的最后状态的序列长度，以便输入解码器层的输入形状。
模型结构没有产生任何错误，但结果仍然是一个数量级比一个简单的AE，而我希望他们至少是一样的，因为我使用的架构，应该更适合时间的问题。
首先，这些结果是否具有可比性？
然而，LSTM的重建误差
浏览 2提问于2019-02-28得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储活动推荐
腾讯云开发者
