在處理時間序列預測時，我看到大多數人在使用 LSTM 模型時遵循以下步驟：
- 獲取、清理和預處理資料
- 取出驗證資料集，以便將來與模型預測進行比較
- 初始化和訓練 LSTM 模型
- 使用驗證資料集的副本與訓練資料完全一樣進行預處理
- 使用經過訓練的模型對轉換后的驗證資料進行預測
- 評估結果：預測與驗證
但是，如果模型是準確的，您如何做出超出驗證期結束時間的預測？
以下僅接受以與訓練資料相同的方式轉換的資料，但對于超出驗證期的預測，您沒有任何輸入資料可提供給模型。那么，人們如何做到這一點呢？
# Predictions vs validation
predictions = model.predict(transformed_validation)
# Future predictions
future_predictions = model.predict(?)
uj5u.com熱心網友回復：
要預測第 i 個值，您的 LSTM 模型需要最后 N 個值。所以如果你想預測，你應該使用每個預測來預測下一個。
換句話說，你必須回圈類似的東西
prediction = model.predict(X[-N:])
X.append(prediction)
您可以猜到，您將輸出添加到輸入中，這就是為什么您的預測會發散并放大不確定性的原因。
其他模型更穩定，可以預測遙遠的未來。
uj5u.com熱心網友回復：
您必須將資料分解為訓練和測驗，然后適合您的模式。最后，你做出這樣的預測。
future_predictions = model.predict(X_test)
查看下面的鏈接以了解所有詳細資訊。
https://towardsdatascience.com/lstm-time-series-forecasting-predicting-stock-prices-using-an-lstm-model-6223e9644a2f
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/341011.html