我想知道我对使用 keras 实现 lstm 层是否正确

Question

这是我的模型定义：

model = Sequential()
model.add(LSTM(i, input_shape=(None, 1), return_sequences=True))
model.add(Dropout(l))

model.add(LSTM(j))
model.add(Dropout(l))

model.add(Dense(k))
model.add(Dropout(l))

model.add(Dense(1))

这是结果

p = model.predict(x_test)
plt.plot(y_test)
plt.plot(p)

顺序输入代表先前时间步中的过去信号，输出是预测下一时间步中的信号。 将训练和测试数据拆分后，对测试数据的预测如下：

该图显示了与黄金测试数据和预测几乎完美匹配。 有可能以如此高的准确度进行预测吗？

我认为有些事情是错误的，因为没有波动。 所以我想知道它是否得到了正确的实施。

如果实现是正确的，您如何获得以下（下一个）值？

做这个工具合适吗？

a = x_test[-1]
b = model.predict(a)
c = model.predict(b)
...

总结一下这个问题：

1. 实施方式正确吗？

2. 我想知道如何获取下一个数据的值。

def create_dataset(signal_data, look_back=1):
    dataX, dataY = [], []
    for i in range(len(signal_data) - look_back):
        dataX.append(signal_data[i:(i + look_back), 0])
        dataY.append(signal_data[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

train_size = int(len(signal_data) * 0.80)
test_size = len(signal_data) - train_size - int(len(signal_data) * 0.05)
val_size = len(signal_data) - train_size - test_size
train = signal_data[0:train_size]
val = signal_data[train_size:train_size+val_size]
test = signal_data[train_size+val_size:len(signal_data)]

x_train, y_train = create_dataset(train, look_back)
x_val, y_val = create_dataset(val, look_back)
x_test, y_test = create_dataset(test, look_back)

我使用create_dataset和look_back=20 。

signal_data使用最小-最大归一化MinMaxScaler(feature_range=(0, 1))预处理。

Answer 1

实施方式正确吗？

你的代码似乎是正确的。 我认为你没有得到令人惊讶的结果。 您需要将结果与基线进行比较，下一次预测是从可能的日常变化范围中随机采样的。 这样至少您可以了解您的模型是否比随机抽样做得更好。

delta_train = train[1][1:] - train[1][:-1]
delta_range_train = delta_train.max()-delta_train.min()

# generating the baseline based on the change range in training:
random_p = test[0][:, -1] + (np.random.rand(test[0].shape[0])-0.5)*delta_range_train

您可以检查您的结果是否比随机样本random_p 。

我想知道如何获取下一个数据的值。

这为您提供了测试集中的最后一个数据点：

a = x_test[-1:]

然后，您在这里预测下一个点日：

b = model.predict(a)

基于look_back您可能需要保留一些数据点以预测下一个下一个点：

c = model.predict(np.array([list(a[0,1:])+[b]])