LSTM回归问题中单步预测和多步预测的区别

Question

我正在使用 keras LSTM 进行时间序列预测。这是一个回归问题，我想预测接下来的 5 个值。数据来自传感器，如下所示，其中 x 轴是采样时间，ordenates 轴是要预测的值：

为了对此提供更好的解释，让我们想象一下实际时刻由红线标记，并且我想预测下一个值（绿色箭头），因此在这种情况下，我可以预期在标记的值之后出现大幅下降红色，长期稳定：

换句话说，我想预测数值大幅下降的情况，例如下图中红色标记的情况，这样我就可以反击这种大幅下降：

到现在为止，我已经能够进行单步预测了。当我进行训练+预测时，结果非常好（蓝色是实际值，橙色是训练集的预测，绿色是验证集的预测）：

为了提供 LSTM，我使用以下函数：

# convert an array of values into a dataset matrix valid for keras LSTM format
def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

我使用的 LSTM 网络如下所示：

model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(1))

其中look_back是预测所基于的值窗口（5个值）。由于我的输出层是一个，我得出结论，这是一个单步预测，因此如果我实时使用它，我将只确定地预测下一个值。问题是我想一次预测多个值。最初，我使用像this这样的递归预测。有了它，我得到了以下预测，其中蓝色是窗口值，橙色是预测值：

我的问题是：

1. 如何从单步转为多步？我想我需要改变密集输出层的大小？我还需要更改 LSTM 输入数据的格式吗？
2. 5 个值的多步预测是否比 5 个值的单步预测更好？
3. 最后但并非最不重要的一点是，LSTM 是预测这种大幅下降的最佳方法吗？

Answer 1

如何从单步转为多步？我想我需要改变密集输出层的大小？我还需要更改 LSTM 输入数据的格式吗？

是的，你说得对。不，也不必更改输入数据。

5 个值的多步预测是否比 5 个值的单步预测更好？

更好地定义。如果你所说的更好是指w.r.t.准确度，那么 5 个单步预测可能会比 5 个步预测更准确，因为单步预测将考虑更近期的历史值（您案例中的

look_back

值）。一般来说，较长的预测比较短的预测更难，因为在长期预测中，当您尝试进一步预测未来的未来值时，误差往往会累积。

最后但并非最不重要的一点是，LSTM 是预测这种大幅下降的最佳方法吗？

这很大程度上取决于您的数据，只有通过实际评估不同的模型，您才能回答这个问题。你可以尝试：

• N-HiTS
• N-节拍
• TimeGPT（基础模型）
• LLMTime（使用大型语言模型来预测下一个值）
• Time-LLM（也使用LLM）