Keras LSTM：时间序列多步多特征预测-结果差

Question

我有一个包含一整年数据的时间序列数据集（日期是索引）。数据每15分钟测量一次（全年），结果是每天96个时间步。数据已规范化。这些变量是相关的。除VAR外的所有变量都是天气度量值。

VAR在一天期间和一周期间都是季节性的（因为它在周末看起来有点不同，但每个周末都不一样）。VAR值是固定的。我想预测未来两天（前192步）和未来七天（前672步）的VAR值。

以下是数据集的示例：

DateIdx               VAR       dewpt       hum         press       temp
2017-04-17 00:00:00   0.369397  0.155039    0.386792    0.196721    0.238889
2017-04-17 00:15:00   0.363214  0.147287    0.429245    0.196721    0.233333
2017-04-17 00:30:00   0.357032  0.139535    0.471698    0.196721    0.227778
2017-04-17 00:45:00   0.323029  0.127907    0.429245    0.204918    0.219444
2017-04-17 01:00:00   0.347759  0.116279    0.386792    0.213115    0.211111
2017-04-17 01:15:00   0.346213  0.127907    0.476415    0.204918    0.169444
2017-04-17 01:30:00   0.259660  0.139535    0.566038    0.196721    0.127778
2017-04-17 01:45:00   0.205564  0.073643    0.523585    0.172131    0.091667
2017-04-17 02:00:00   0.157650  0.007752    0.481132    0.147541    0.055556
2017-04-17 02:15:00   0.122101  0.003876    0.476415    0.122951    0.091667

下面是我准备train_X和train_y的代码：

#X -> is the whole dataframe
#Y -> is a vector of VAR from whole dataframe, already shifted 1 step ahead

#329 * 96 = 31584
train_X = X[:31584]
train_X = train_X.reshape(train_X.shape[0],1,5)
train_Y = Y[:31584]  
train_Y = train_Y.reshape(train_Y.shape[0],1)

为了预测下一个VAR值，我想使用过去的672个时间步骤（整周度量）。为此，我设置了batch_size=672，使“fit”命令如下所示：

history = model.fit(train_X, train_Y, epochs=50, batch_size=672, validathtml" target="_blank">ion_data=(test_X, test_Y), shuffle=False)  

下面是我的网络的体系结构：

model = models.Sequential()
model.add(layers.LSTM(672, input_shape=(None, 672), return_sequences=True))
model.add(layers.Dropout(0.2))
model.add(layers.LSTM(336, return_sequences=True))
model.add(layers.Dropout(0.2))
model.add(layers.LSTM(168, return_sequences=True))
model.add(layers.Dropout(0.2))
model.add(layers.LSTM(84, return_sequences=True))
model.add(layers.Dropout(0.2))
model.add(layers.LSTM(21, return_sequences=False))
model.add(layers.Dense(1))
model.compile(loss='mae', optimizer='adam')
model.summary()

从学习过程中情节

为了预测的目的，我准备了一组数据，其中包含最后672个步骤的所有值和96个没有VAR值--这应该是预测的。我还使用了自回归，因此我在每次预测后更新了VAR，并将其用于下一次预测。

predX数据集（用于预测）如下所示：

print(predX['VAR'][668:677])

DateIdx            VAR
2017-04-23 23:00:00    0.307573
2017-04-23 23:15:00    0.278207
2017-04-23 23:30:00    0.284390
2017-04-23 23:45:00    0.309118
2017-04-24 00:00:00         NaN
2017-04-24 00:15:00         NaN
2017-04-24 00:30:00         NaN
2017-04-24 00:45:00         NaN
2017-04-24 01:00:00         NaN
Name: VAR, dtype: float64

下面是我用来预测接下来96个步骤的代码（自回归）：

stepsAhead = 96
historySteps = 672

for i in range(0,stepsAhead):
    j = i + historySteps
    ypred = model.predict(predX.values[i:j].reshape(1,historySteps,5))
    predX['VAR'][j] = ypred

不幸的是,结果很差,与预期相差甚远：

有预测数据的曲线图

结果与前一天合并：

结合前一天的预测数据

除了“我做错了什么”的问题外，我想问几个问题：

Answer 1

看起来在如何组织数据来训练RNN方面存在混乱。让我们讨论一下这些问题：

1. 有了二维数据集(total_samples，5)后，您可以使用TimeseriesGenerator创建一个滑动窗口，该窗口将为您生成(batch_size，past_timesteps，5)。在这种情况下，您将使用.fit_generator来训练网络。
2. 如果你得到同样的结果，50个历元应该没问题。您通常根据网络的性能进行调整。但如果要比较两种不同的网络体系结构，则应将其固定不变。
3. 架构非常庞大，因为您的目标是一次预测所有672个未来值。您可以设计网络，使其学会一次预测一个测量值。在预测时间，您可以预测一个点，然后再次输入该点以预测下一个点，直到得到672。
4. 这与答案3相关联，您可以学习一次预测一个，并在训练后将预测链接到n个预测。

单点预测模型可能如下所示：

model = Sequential()
model.add(LSTM(128, return_sequences=True, input_shape=(past_timesteps, 5))
model.add(LSTM(64))
model.add(Dense(1))