Deep learning 滞后两天的预测值
我使用CNN-LSTM自动编码器+CNN-LSTM预测模型,其中自动编码器用于将宏观经济指标的10个特征压缩为4维值。使用这些编码的特征和权益工具的销售价值(预测器),我将其输入到另一个CNN-LSTM模型中进行超前预测。销售价值使用20天窗口转换为监督学习算法。预测结果滞后2天。我尝试了不同的规范化技术,不同的超参数设置,不同的层数,但问题仍然存在。我已通过取1订单差异使时间序列(销售价值)保持平稳。请提出一些建议,因为我无法在预测结果中进行偏差校正 使用的模型定义如下:Deep learning 滞后两天的预测值,deep-learning,Deep Learning,我使用CNN-LSTM自动编码器+CNN-LSTM预测模型,其中自动编码器用于将宏观经济指标的10个特征压缩为4维值。使用这些编码的特征和权益工具的销售价值(预测器),我将其输入到另一个CNN-LSTM模型中进行超前预测。销售价值使用20天窗口转换为监督学习算法。预测结果滞后2天。我尝试了不同的规范化技术,不同的超参数设置,不同的层数,但问题仍然存在。我已通过取1订单差异使时间序列(销售价值)保持平稳。请提出一些建议,因为我无法在预测结果中进行偏差校正 使用的模型定义如下: model_new
model_new = Sequential()
model_new.add(Conv1D(filters=256,padding='causal',strides = 2, kernel_size=10,activation='relu', input_shape=(20,n_features)))
model_new.add(Conv1D(filters=5, kernel_size=4,activation='relu'))
model_new.add(MaxPooling1D(pool_size=2))
model_new.add(Conv1D(filters=5, kernel_size=2,activation='relu'))
model_new.add(Dropout(0.25))
model_new.add(LSTM(100, activation='relu'))
model_new.add(Dropout(0.25))
model_new.add(Dense(1))
lr = 0.001
epoch=200
adam = keras.optimizers.Adam(lr)
model_new.compile(loss='mse', optimizer=adam)
# fit model
print(model_new.summary())