在多元时间预测 LSTM 模型中预测未来值

Question

我对如何使用时间序列多元 LSTM 模型预测未来结果感到困惑。

我正在尝试建立一个股票市场预测模型，我有以下数据特征

日期 DailyHighPrice DailyLowPrice 成交量 ClosePrice

如果我用 5 年的数据训练我的模型直到今天，我想预测明天的收盘价，基本上我需要预测明天的所有数据特征。 这就是我感到困惑的地方.... 因为如果所有数据特征都相互依赖，那么当明天的所有数据特征仍然未知时，我如何预测未来的某一天？ 有没有人有关于如何处理这个问题的示例代码？

Answer 1

在使用LSTM之前，最好也了解RNN的实现。

tensorflow文档包含一些RNN和LSTM实现的示例： https ://www.tensorflow.org/tutorials/sequences/recurrent

您部分正确，输出确实取决于先前输入的“全部”。 但是，这并不一定意味着所有先前的输入。 在这里查看Jason Brownlee的精彩文章，并提供您所要求的示例。 https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/

通常，您将数据集“划分”为情节。 即，提取n天输入的窗口，并在n + 1天输出标签，例如n = 7。 然后，RNN或LSTM将在这些提取的窗口上作为样本进行训练（训练数据）。

最后，您当然可以在最近的n天历史数据上使用经过训练的网络来预测接下来几天的功能（模型部署）。

另请参见此 SO帖子： 了解Keras LSTM

Answer 2

我决定使用的解决方案是来自keras库的TimeseriesGenerator。

https://machinelearningmastery.com/how-to-use-the-timeseriesgenerator-for-time-series-forecasting-in-keras/