Machine learning 使用RNNs/LSTMs检测速度变化（给定当前xy位置）

在给定连续数据的x、y坐标的情况下，我如何使用RNN/LSTM学习速度变化？（我必须使用一个循环层，因为这是一个更大的端到端模型的子问题，它也做其他事情）

培训数据示例：

x,y,speed_changed

0,0,0

0,0.1,0

0,0.2,0

0,0.3,0

0,0.5,1

0,0.6,0

0,0.7,0

...

到目前为止，我构建了有状态的LSTM，并对它进行每批一项的训练。之后，每次速度发生变化时，我都会重置LSTM的状态，因此我了解到一个段具有相同的速度（段可以具有不同的长度）

既然分段的长度不同，我如何在生产中使用这种模型

---

或者有没有更好的方法来训练这些数据的经常性网络？也许是异常检测？（我希望避免使用固定的批量大小（例如，3帧的窗口））

RNN和LSTM的结构不允许您直接执行此操作，这就是原因-RNN的激活功能是： h（t）=Tanh（W*h（t-1）+U*x（t）+偏压） 请注意，W、U和偏差都是相同的-无论您对RNN使用多少时间帧。给定一些X向量，输出将是p1*X1+p2*X2的函数，以此类推，其中X1在示例中是X，X2是Y

但是，要检测速度的变化，需要进行不同的计算。速度的变化表明在时间帧1和2之间以及时间帧2和3之间行驶了不同的距离。 行驶距离为SQRT（（X1（t）-X1（t-1））^2+（X2（t）-X2（t-1））^2）。 这意味着您需要一个以某种方式考虑X1*X1的激活函数，而这在RNN或LSTM中是不可能的

但是，您可以通过使用一个自定义激活函数来间接实现所需的功能，该函数计算在最新时间范围内经过的距离。看一看。通过使用自定义激活函数，可以插入X1（t）、X2（t）、X1（t-1）、X2（t-1）的向量并计算距离D。在t=1时，可以使用0作为X1（t=0）和X2（t=0）

---

自定义激活函数应类似于D=（X1（t）-X1（t-1））^2+（X2（t）-X2（t-1））^2。这样-如果时间帧之间的速度相同，您将向RNN提供恒定的D值，因此您希望RNN获得模拟D（t）-D（t-1）函数的权重。

这是一个简单的方法，根本不需要任何NN。您是否有特别想使用RNN的原因？这是一个真正的问题，还是一个学习练习？LSTM通常在需要回忆时间上遥远的信息时使用，所以我个人认为在这里使用它们没有什么意义。即使你想使用NN（有效地学习毕达哥拉斯定理…），如果你能使用衍生特征，比如x和yAlso的平方，学习速度也会大大加快，为什么你不想使用固定窗口呢？它似乎非常适合这个问题，因为您正在寻找瞬时值的变化speed@goncalopp该特征应该是多标签模型的一部分，每个标签聚焦于时态数据的不同部分，并进行分类或预测。速度变化是商业项目的一项要求。我知道如何在网络之外完成这项工作，但这个项目都是关于端到端的learning@BorisMocialov，如果你知道如何在网络之外做这件事，为什么不简单地将这个额外的计算列添加到你的数据集中，并使用这个列作为模型其他部分的输入？正如goncalopp所写，学习可以直接计算的值没有多大意义，除非它是一个示例或练习。@isp zax它必须在网络中的原因是端到端学习