Python LSTM能处理异常密集的时间序列数据吗？

我有50个时间序列，每个序列至少有500个数据点（有些序列有2000多个数据点）。所有时间序列的值都从1.089到0.886，因此您可以看到每个数据集的分辨率接近10e-4，即数据类似：
1.079299, 1.078809, 1.078479, 1.078389, 1.078362,... 以此类推，从所有50个时间序列的1.089下降到0.886

因此，我的问题是：

LSTM能处理如此密集的数据吗

为了避免过度拟合，建议的年代数、每批时间步数、批次数、隐藏层数和每层神经元数是多少

---

我已经为此苦苦挣扎了一个多星期，我找不到其他来源谈论这个具体案例，因此它也可以帮助其他人。

这是一个好问题，我可以理解为什么你没有找到很多解释，因为有很多教程涉及一些基本概念和方面，不一定是定制问题

你有50个时间序列。但是，每个时间序列的数据频率并不相同。如果要正确构造数据集，必须进行插值，以达到每个时间序列的相同采样数

LSTM可以处理如此密集的数据。它既可以是一个分类问题，也可以是一个回归问题，神经网络可以适应这种情况

为了避免过拟合（LSTM很容易发生过拟合），需要考虑的第一个主要方面是隐藏层和每层的单元数。通常人们在默认情况下倾向于使用256-512，因为在处理大型数据集的自然语言处理中，它们是合适的。根据我的经验，对于简单的回归/分类问题，您不需要这么大的数字，这只会导致在较小的问题中过度拟合

因此，考虑到（1）和（2），从具有32个单元的LSTM/GRU开始，然后是输出层。如果发现效果不好，请添加另一层（64前32秒），然后添加输出层

---

诚然，每个批次的时间步长至关重要。这不能在这里确定，您必须手动迭代它的值，看看什么能产生最好的结果。我假设您通过滑动窗口方式创建数据集；考虑这个（窗口大小）也是一个超参数，在到达批次和划时代之前改变。

非常感谢@ Timbus！我一直在寻找这样的解释！我没有考虑您的解决方案的第一点，因为我认为LSTM可能会适应它。我将牢记这些要点，并继续解决问题。再次感谢！不，有些参数需要固定。即使在序列到序列的过程中，我们假设初始输入长度可变，其动机是矩阵乘法需要以特定的大小执行，即不能将维度[5,1]的向量与维度[10,10]的矩阵相乘，需要通过填充将初始向量带到[10,1]。