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:Deep learning 时间序列模型参数问题,deep-learning,time-series,lstm,Deep Learning,Time Series,Lstm,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
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
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....
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。