是否可以使用LSTM预测作为下一时间步的输入？
我正在使用LSTM（PyTorch）进行多元时间序列预测。让我们想象一下这种情况：我有两个时间序列，A和B，我想用A和B的先前值（在t之前）预测B的t值。这样的预测效果很好，我的模型得到了很好的结果。
但是，如果（在测试期间，训练后）我想使用B的预测值作为下一个时间步骤的输入，而不是实际值，该怎么办？例如：我预测B的第一个值，做一个步骤，把预测值代替一个真实值，然后再次进行预测。然后我使用两个预测值，而不是真正的两个，以此类推。在某些步骤中，只有预测值将在时间序列B中。
有没有可能做到这一点？
共有1个答案
这正是人们通常为机器翻译和文本生成所做的。在这种情况下，LSTM预测词汇表的分布，您选择一个单词，并在下一步将其用作网络的输入。有关更多详细信息，请参阅Pytoch机器翻译教程。
重要的一点是，LSTM在两种情况下执行：
>
用于培训：作为标准序列标签。它是提供的输入，它应该预测未来的一个步骤。
推理：它逐渐生成新样本，并将其用作下一个输入。在PyTorch中，这需要通过显式for循环实现。
-
根据教程，我为我的数据集开发了多元输入多步骤LSTM时间序列预测模型(https://machinelearningmastery.com/how-to-develop-lstm-models-for-multi-step-time-series-forecasting-of-household-power-consumption/). 然而，我有一个非常奇怪的问题，那就是，当我使用较小的样本（5
-
问题内容： 我想到一个与使用pybrain进行时间序列回归相关的问题。我计划在pybrain中使用LSTM层来训练和预测时间序列。 我在下面的链接中找到了示例代码 例如请求：递归神经网络，用于预测序列中的下一个值 在上面的示例中，网络能够在训练后预测序列。但是问题是，网络通过将数据一次性输入到输入层来获取所有顺序数据。例如，如果训练数据每个都有10个特征，那么这10个特征将同时被同时馈送到10个输
-
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： 下面是我准备train
-
我想拆分我的验证器的声明和实现，与Spring boot环境中的这个问题非常相似。看起来好像是我让它几乎起作用了。我看到我的验证器实际上是由Spring验证调用的，但在执行验证后，Hibernate会抛出一个异常： 这是因为是一个接口（如预期）。 我已经这样配置了Spring（这是一个不同问题的答案）： 我的自定义验证器： 所以它试图通过验证器名称找到一个Spring bean。所以我有一个验证器
-
public class bonus 1 { public static void main(String[]args){ } } 这段代码并不完整，前两个for循环将在commandline -1中生成一个介于0和给定数字之间的数组，例如java Bonus1 10将首先生成一个介于0-9之间的数组，然后它将这些数字混洗，从而创建一个随机排列。 因此，例如，如果我得到排列7 8 2 3 4 5
-
问题内容： 加载Angular应用后，我需要一些模板可以脱机使用。 这样的事情将是理想的： 问题答案： 有一个 模板缓存服务 ：$ templateCache ，可用于在javascript模块中预加载模板。 例如，取自文档： 甚至还有一个艰巨的任务，可以从html文件中预先生成一个javascript模块：grunt-angular- templates 另一种可能不太灵活的方法是使用 内联模板