Python 多特征多步时间序列预测

所以我是机器学习的初学者，我想预测时间序列的多个样本。 时间序列每15分钟包含一次样本，我必须预测未来3天的样本。因此，未来大约有288个样本

我的时间序列还有其他分类特性，所以我根据答案实现了一个模型

我读过关于seq2seq时间序列预测的编码器-解码器。但是对于如何实现它以及如何将它与多个分类特性结合起来，我不太了解

我按照这个答案走对了方向吗

即使在Y的大维度上，LSTM也能正常工作吗（在我的例子中，是未来288个时间步）

我认为最后7天的样本是X，所以我的lstm输入形状是（样本数，672，1）。可以吗

我应该选择编码器-解码器吗？如果是的话，那么谁能给我提供一些更多的见解，也许是一个很好的教程

提前谢谢

对

这取决于您拥有的数据量以及您的问题的可学习性

使用的数据越多越好

编码器-解码器架构只是“前馈隐藏的LSTM状态”的一个花哨名称。我看不出你为什么要在你的案件中使用它

---

听起来像个计划。你可能想看看这个，这不是什么突破性的东西，但如果你不确定自己在做什么，它可能会帮助你解除障碍。谢谢你的快速回答。我有过去1年的可用数据，但现在我只使用1个月的数据进行快速培训，以检查结果，否则会花费太多时间。一旦模型最终确定，我将使用所有数据。我的数据是表格格式，每个时间步有一行。目前我的输入形状是（2190672,1）。你说的更多数据是什么意思？如果我不增加样本，即2190，还是应该考虑过去的更多数据来预测下一个样本。i、 e.672？我已经爬过了那个网站，但我还是觉得不太自信。你能建议我应该使用多少细胞单位吗？作为一个新手，我相信隐藏单元应该高于Y维度，所以它应该大于288，应该是2次方，所以我应该相信512个单元可以工作吗？或者任何小于2次方的都可以，因为你说的是预测，我假设除了你过去的值，你没有更多的预测可以使用，所以我看不到增加特征空间的方法。但是，如果您假设变化模式是暂时不变的（即，您的数据仅根据最后N个时间步的值随时间变化），那么您仍然可以使用您的远古数据预测其未来对应数据（即使用12个月前的数据预测11个月前的“未来”值）。这将增加您的样品数量。或者，你可以增加回溯时间。在任何情况下，都没有保证最佳结果的标准方法，因此你必须遵循反复试验的方法，看看哪种方法最有效。