Tensorflow 多系列LSTM建模时的问题

我是一名深度学习时间序列分析的初学者，我一直在寻找LSTM的例子，其中训练了多个序列（例如每个城市或地方一个序列），以避免为每个序列拟合模型。当然，主要的好处是您有更多的培训数据和更少的计算成本。我发现了一个有趣的代码，可以用条件/时间静态变量（称为）来帮助建模这个问题。但无论我在哪里搜索，我都不清楚一些关于正确排序输入的问题

上下文是，我有一个目标和一组自回归输入（特性、滞后、时间步，无论你怎么称呼它），其中来自不同系列的数据被堆叠在一起。RF和GB在这项任务上的表现优于LSTM（过度拟合，即使我使用了100k+样本、退出或正则化），我不确定我是否正确使用了它

将序列堆叠在一起并对输入目标进行随机排序是错误的（如图所示）？LSTM是否需要接收按时间排序的输入

如果他们需要，您对如何处理向LSTM培训提供新系列（从第一时间段开始）的问题有何建议？这是一个类似的问题（但另一个角度）建议选择“地点”作为输入列，但我认为这个答案无助于我提出的问题

---

我对您的解释感到有点困惑，但听起来您想根据一些分类变量（地点、代理等）来调整模型的输出。每个类别都有一个相似的时间序列，但根据类别的不同，您希望有不同的输出分布吗？我看到两种方法：将输出建模为概率的混合（参见tensorflow_概率）。混合数现在是一个超参数。或者，作为其他答案的细节，通过在图中连接分类变量，直接在模型中调整输出。没有“错误”这样的事情，但是随机提供输入会弄乱时间信息，这可能是有价值的信息。如果对输入进行时间排序，LSTM的性能很可能会更好。关于另一个问题，测试集中系列的“位置”与训练集中的“位置”匹配吗？（例如，测试集中的所有“城市”是否也在列车组中？）。如果是这样，使用该答案的方法是有意义的。@rvinas是的，它们在测试集中。那么您认为呢：如果我为每个批次训练一个临时排序的“地点”时间序列（~50个样本），那么LSTM更有可能表现得更好？如果我训练100个堆叠的时间序列，每个时间序列对每个批次进行临时排序，你认为时间信息会弄乱吗？我不确定我是否理解第一个问题-当我说临时排序时，我指的是在每个样本内（例如，时间点序列）。批处理中样本的顺序并不重要，除非您使用的是有状态LSTM。关于第二个问题，如果每个样本都是临时排序的，那应该没问题——这是实践中经常做的事情。这是因为我把一个样本称为一个数据点，而不是整个时间序列，但我得到了你的想法，非常感谢。