Javascript 张量流中多时间序列预测的最佳方法

编辑： 这个答案非常有帮助，但是，我真的希望一些实际的tensor flow javascript代码来展示如何实现这一点

我发现的其他问题不包括标准化或我预测未来超过1点的具体目标，其中记住了局部性，即如果在T+1预测1，那么T+2更有可能为0

总数据样本（实际有132个样本）

数组表示[X1，X2，X3，Y]

*注X2需要标准化——如果我们需要将X2预测为未来值，以便在单个网络中进行所有这些操作时预测Y，则不确定如何处理

最终目标

使用该数据（有更多样本）以最准确的方式预测下一个5Y值，同时对之前的模式进行加权，如在时间序列预测中，过去的样本可能是重要的25个样本

当前进度

通过在25个[X1，X2，X3]数组上进行训练，预测了25个值，结果发现输入位置1（[X1，X2，X3]数组1）可能会影响除位置2（[X1，X2，X3]数组2）之外的所有下一个25 Y值只能影响集合的2-25，依此类推——位置25只能影响25个预测值中的最后一个值——因此，就网络而言，我甚至可能没有真正预测下一个25

当前方法

期望的预测将是上一次训练后的下一个3y值（例如）

输入：

[
    [0,45,0],
    [1,40,0],
    [0,10,3]
]

输出

[
    [0],
    [1],
    [1]
]

迄今为止尝试的模型

var model = tf.sequential();

model.add(tf.layers.batchNormalization({
    inputShape:[null,6],
    axis: 2,
    units:10,
    //returnSequences: true,
    //kernelInitializer: 'VarianceScaling'
}));

model.add(tf.layers.lstm({
    //inputShape:[null,7],
    units: 10,
    activation: 'relu',
    returnSequences: true,
    //kernelInitializer: 'VarianceScaling'
}));

model.add(tf.layers.lstm({
    //inputShape:[null,7],
    units: 6, 
    activation: 'relu',
    returnSequences: true,
    //kernelInitializer: 'VarianceScaling'
}));

//modelHelper(model);
const optimizer = tf.train.adam (.05);
//optimizer: 'sgd', loss: 'binaryCrossentropy', lr: 0.1
model.compile({
    loss:tf.losses.meanSquaredError,
    optimizer:optimizer
});

当在每个时间位置（X1、X2、X3）使用多个值时，预测时间序列的下一个4、5或25个单一（Y）值而不仅仅是下一个值的最佳方法是什么？

---

*浏览了5年后创建了一个帐户，所以在这个帐户上丢失了。

这里有很多问题

预测时间序列的下一个4、5或25个单一（Y）值而不仅仅是下一个值的最佳方法是什么

您只需要返回lstm的序列。如果要预测接下来的4个值，则最后一个lstm层的

单位应为4，返回
returnSequences
设置为true

如果您想根据您的系列预测1或0，那么您可以使用
binaryCrossEntropy
loss和
softmax
激活来计算最后一层的概率。至于什么是最有可能的，网络将找出数据是否与你的观察结果非常一致，即如果在T中预测1，那么在T+i下一步可能预测0

X2需要标准化——如果我们需要将X2预测为未来值，以便在单个网络中进行所有这些操作时预测Y，则不确定如何处理

这并不特定于您的用例，将所有数据保持在同一范围内是最佳实践。对于方差较大的数据，模型对收敛性的影响较大。可以在馈送模型之前规范化x2特征。这是一个函数，它将跨所有功能规范化数据

// standardize a tensor data by computing (data - mean(data) ) / std(data)

function standardize(data) {
  let means = []
  let variances = []
  for ( let axe = 0 ; axe < axes; axe++) {
    const {mean, variance} = tf.moments(data.gather([axe], 1), undefined, true )
    means.push(mean)
    variances.push(variances)
  }

  return data.sub(tf.concat(means).reshape([axes])).div(tf.concat(variances).reshape([axes]))
}

//通过计算标准化张量数据（数据-平均值（数据））/std（数据）
功能标准化（数据）{
let means=[]
设方差=[]
对于（让axe=0；axe

// standardize a tensor data by computing (data - mean(data) ) / std(data)

function standardize(data) {
  let means = []
  let variances = []
  for ( let axe = 0 ; axe < axes; axe++) {
    const {mean, variance} = tf.moments(data.gather([axe], 1), undefined, true )
    means.push(mean)
    variances.push(variances)
  }

  return data.sub(tf.concat(means).reshape([axes])).div(tf.concat(variances).reshape([axes]))
}