延迟时间序列预测

Question

我有一个数据库，每10分钟测量一次所产生的能量，并且我一直试图拟合LSTM keras模型以仅考虑最近一小时/ 6个周期的产量来预测下一个周期的产量。

原始数据库（+5000个样本）：

data['Producer 1'].head()

Date_time
2016-10-01 00:00:00    1278
2016-10-01 00:10:00    1166
2016-10-01 00:20:00     732
2016-10-01 00:30:00     740
2016-10-01 00:40:00    1122
Name: Producer 1, dtype: int64

[将数据标准化并将其分为训练/测试集后，选择[x-6：x-1]作为输入，并在时间x将生产作为目标，我拟合了以下模型：

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01), 
              loss='mse', metrics =['mse', 'mae'])

model.summary()

Model: "LSTM"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_2 (LSTM)                (None, 24)                2496      
_________________________________________________________________
output (Dense)               (None, 1)                 25        
=================================================================
Total params: 2,521
Trainable params: 2,521
Non-trainable params: 0

history = model.fit(training_features, training_labels, validation_split=0.2, 
                    epochs=1000, batch_size=500, callbacks=[earlystop])

结果：

我已经尝试更改模型的窗口大小和参数（学习率，隐藏层中的神经元等），但是结果似乎总是相对于原始值有所延迟，我不明白为什么。

Answer 1

[尝试增加LSTM的层数（请记住，在先前的LSTM层中将return_sequences保持为真），并合并使用BiLSTM（tf.keras.layers.Bidirectional）。您的模型没有学习。