我正在KERAS中使用LSTM进行滚动窗口的时间序列预测。将第一步视为验证数据（我 我正在KERAS中使用LSTM进行滚动窗口的时间序列预测。将第一步视为验证数据（我没有将验证数据用于提前
我正在KERAS中使用LSTM进行滚动窗口的时间序列预测。将第一步视为验证数据（我没有将验证数据用于提前停止），并将时期数设置为40，单位数设置为10，还使用了{ {1}}训练样本和1000功能，验证损失的形状有点奇怪。验证损失从低值开始，然后增加并再次减少。为什么我们有这种行为？我应该指出，这不是唯一的行为，但是大多数模型遵循钟形验证损失（如您所见，棕线遵循常见的验证损失形状）。可能是，我认为如果我添加了早期停止功能，则效果不佳。另外，我正在使用10来对功能进行归一化，并在不进行归一化的情况下使用输出。 LSTM的激活函数为StandardScaler，输出层具有tanh，因为预测值始终为正，我正在使用21个特征滞后。
- 在这些图中，每一行都与预测中的一个步骤（滚动窗口）相关（我正在通过添加最新数据来在每个步骤中训练模型）。
Ps。。如果仅在两个时期之后停止预测，则预测值将接近于零。我应该提到的是，我的时间序列中的大多数值都是新的零（介于0和1之间）和一些罕见的跳跃（例如10、50或100）。在这里，棕色表示数据中的一个跳转。但是，您可能知道，此值对MSE产生巨大影响。这就是为什么大多数时候，线性模型比LSTM更好的原因，因为它无法检测到巨大的跳跃，因此测试数据的平均MSE更高。