Deep learning 时间序列模型参数问题

我在网上阅读了很多关于参数[示例、时间步、特性]的参考资料。我想澄清两件事：

我看到一些例子，我说不出为什么要用这种或那种方式来选择它们。 比如说这里, （顺便说一句，参考资料非常丰富），作者选择了这两个序列作为两个特征

1  0.1  0.0
2  0.2  0.1
3  0.3  0.2
4  0.4  0.3
5  0.5  0.4
6  0.6  0.5
7  0.7  0.6
8  0.8  0.7
9  0.9  0.8

但是，我不明白为什么它们不是两个具有1个特性和9个时间步的示例，这是相同的吗

假设我有一个数据框，有50行9列（这将是fet1，…，fet9）。 但是，它们实际上是三天的三胞胎，所以实际上序列是这样的

day1\u-fet1、day1\u-fet2、day1\u-fet3、day2\u-fet1、…、day3\u-fet3）

，以及一个目标列（即多对一情况）。我试图改变形状，使新的行

day1_fet1, day1_fet2, day1_fet3
day2_fet1 etc....

因此，timesteps=3，features=3（我希望任何一组3行0-2、3-5等都是一个示例）

这听起来可以吗？如果我把所有9个特性都放在同一行，会发生什么呢？

---

谢谢

好吧，这完全取决于您对模型输出的期望。通常，只有每个时间戳的特征应该在该行中

---

我假设在您的示例中，第二行从第4天数据开始。因此，为每个时间戳设置单独的行更有意义。但是，当每行有3天时，您也可以测试模型。在这种情况下，每个预测步骤都会预测3天的数据。

好吧，这完全取决于您对模型输出的预期。通常，只有每个时间戳的特征应该在该行中

---

我假设在您的示例中，第二行从第4天数据开始。因此，为每个时间戳设置单独的行更有意义。但是，当每行有3天时，您也可以测试模型。在这种情况下，每个预测步骤预测3天的数据。

感谢您的回复，任何一行都是3天的组合（不是相同的天，但可以将其视为不同的预测），因此不会有第4天，只是第1-3天，但规模不同（其聚合数据和这几天代表不同预测的某些条件）。在任何情况下，目标（即一个值）应该是商店总收入的预测，作为第1-3天商店收入的函数，以及与这些天的时间相关的一些其他特征（因此现在任何一行都可以表示不同的商店或类似的东西）。然后将它们保留在一行中。但问题是为什么要使用LSTM？这些序列（行）是表示时间或空间上的数据的吗？还是仅仅是独立的数据？如果是后一种情况，您将不会从LSTM中获得任何好处。t尝试查看商店之间是否存在联系，我同意如果没有，则此模型将不会提供任何好处。感谢您的回复，任何行都是3天的组合（不是相同的天，但可以将其视为不同的预测），因此不会有第4天，只是第1-3天，但规模不同（其聚合数据和这几天代表了不同预测的一些条件）。在任何情况下，目标（即一个值）应该是商店总收入的预测，作为第1-3天商店收入的函数，以及与这些天的时间相关的一些其他特征（因此现在任何一行都可以表示不同的商店或类似的东西）。然后将它们保留在一行中。但问题是为什么要使用LSTM？这些序列（行）是表示时间或空间上的数据的吗？还是仅仅是独立的数据？如果是后一种情况，您将不会从LSTM中获得任何好处。t尝试查看商店之间是否存在连接，我同意如果没有，则此模型将不会带来任何好处。