Tensorflow 什么&x2019；与回归相比，使用LSTM进行时间序列预测的优势是什么？

在神经网络中，一般来说，对于时间序列，哪种模型应该在两者之间产生更好、更准确的输出？

正如您正确提到的，我们可以对时间序列数据使用线性回归，只要：

• 将滞后项包含为回归项不会产生共线性问题
• 回归方程和解释变量都是平稳的
• 您的错误彼此不相关
• 其他线性回归假设适用

无自相关是线性回归中最重要的一个假设。如果存在自相关，后果如下：

• 偏差：你的“最佳拟合线”可能会偏离，因为滞后误差的影响会使它偏离“真实线”
• 不一致性：鉴于上述情况，您的样本估计不太可能收敛到总体参数
• 低效：虽然理论上是可能的，但如果残差是自相关的，则它们不太可能是同调的。因此，您的置信区间和假设检验将不可靠

而长短时记忆神经网络是一种递归神经网络（RNN）。RNN使用以前的时间事件通知以后的事件。例如，要对电影中发生的事件进行分类，模型需要使用有关先前事件的信息。如果问题只需要最新信息来执行当前任务，RNN工作正常。如果问题需要长期依赖关系，RNN将难以对其建模。LSTM旨在学习长期依赖关系。它能长时间记住这些信息

---

关注第一个序列。该模型采用索引0处时间条的特征，并尝试预测索引1处时间条的目标。然后，它获取索引1处时间条的特征，并尝试预测索引2处时间条的目标，等等。第二个序列的特征从第一个序列的特征移动1个时间条，第三个序列的特征从第二个序列移动1个时间条，等等。使用此程序，我们得到了许多被单个时间条移动的较短序列。

正如您正确提到的，我们可以使用时间序列数据的线性回归，只要：

• 将滞后项包含为回归项不会产生共线性问题
• 回归方程和解释变量都是平稳的
• 您的错误彼此不相关
• 其他线性回归假设适用

无自相关是线性回归中最重要的一个假设。如果存在自相关，后果如下：

• 偏差：你的“最佳拟合线”可能会偏离，因为滞后误差的影响会使它偏离“真实线”
• 不一致性：鉴于上述情况，您的样本估计不太可能收敛到总体参数
• 低效：虽然理论上是可能的，但如果残差是自相关的，则它们不太可能是同调的。因此，您的置信区间和假设检验将不可靠

而长短时记忆神经网络是一种递归神经网络（RNN）。RNN使用以前的时间事件通知以后的事件。例如，要对电影中发生的事件进行分类，模型需要使用有关先前事件的信息。如果问题只需要最新信息来执行当前任务，RNN工作正常。如果问题需要长期依赖关系，RNN将难以对其建模。LSTM旨在学习长期依赖关系。它能长时间记住这些信息

---

关注第一个序列。该模型采用索引0处时间条的特征，并尝试预测索引1处时间条的目标。然后，它获取索引1处时间条的特征，并尝试预测索引2处时间条的目标，等等。第二个序列的特征从第一个序列的特征移动1个时间条，第三个序列的特征从第二个序列移动1个时间条，等等。使用此程序，我们得到了许多短序列，它们被一个时间条移动。

Hi。你能检查一下答案并确认这是否是你想要的吗？谢谢你好你能检查一下答案并确认这是否是你想要的吗？谢谢@杰伊-如果答案回答了你的问题，你能接受并投票吗。谢谢。@Jay-如果答案回答了你的问题，你能接受并投票吗。非常感谢。