Deep learning 用LSTM自动编码器预测罕见事件及其强度_Deep Learning_Time Series_Lstm_Feature Extraction_Autoencoder

Deep learning 用LSTM自动编码器预测罕见事件及其强度

deep-learning

Deep learning 用LSTM自动编码器预测罕见事件及其强度,deep-learning,time-series,lstm,feature-extraction,autoencoder,Deep Learning,Time Series,Lstm,Feature Extraction,Autoencoder,我目前正在创建和LSTM来预测罕见事件。我看过一篇论文，其中建议：首先是一个用于提取特征的自动编码器LSTM，其次是使用嵌入的第二个LSTM来进行实际预测。根据他们的说法，自动编码器提取特征（这通常是真的），然后这些特征对预测层预测有用在我的例子中，我需要预测它是否是一个极端事件（这是最重要的事情），然后预测它的强度。按照他们的建议，我创建了这个模型，但不是从嵌入到预测中添加一个LSTM，而是添加了两个。一个用于二元预测（是或不是），以一个sigmoid层结束，第二个用于预测强度。那我就输了三

我目前正在创建和LSTM来预测罕见事件。我看过一篇论文，其中建议：首先是一个用于提取特征的自动编码器LSTM，其次是使用嵌入的第二个LSTM来进行实际预测。根据他们的说法，自动编码器提取特征（这通常是真的），然后这些特征对预测层预测有用

在我的例子中，我需要预测它是否是一个极端事件（这是最重要的事情），然后预测它的强度。按照他们的建议，我创建了这个模型，但不是从嵌入到预测中添加一个LSTM，而是添加了两个。一个用于二元预测（是或不是），以一个sigmoid层结束，第二个用于预测强度。那我就输了三场。重建损失（MSE）、预测损失（MSE）和二元损失（二元熵）

问题是，我不确定这是否在学习任何东西……二进制损失保持在0.5，甚至重建损失也不是很好。当然，坏的是时间序列中有很多0，一些数字是从1到10，所以MSE绝对不是一个好的指标

你认为这种方法怎么样

这是预测罕见事件的更好架构吗？哪一个更好

我应该在嵌入之前添加一些CNN或FC到LSTM中，以便从嵌入中提取1D模式，还是直接进行预测

预测的LSTM应该只有一个吗？仅使用MSE损耗

将这两个预测相乘是一个好主意，以迫使在这两种情况下预测的无事件天数重合

谢谢