在多元時間預測 LSTM 模型中預測未來值

Question

我對如何使用時間序列多元 LSTM 模型預測未來結果感到困惑。

我正在嘗試建立一個股票市場預測模型，我有以下數據特征

日期 DailyHighPrice DailyLowPrice 成交量 ClosePrice

如果我用 5 年的數據訓練我的模型直到今天，我想預測明天的收盤價，基本上我需要預測明天的所有數據特征。 這就是我感到困惑的地方.... 因為如果所有數據特征都相互依賴，那么當明天的所有數據特征仍然未知時，我如何預測未來的某一天？ 有沒有人有關於如何處理這個問題的示例代碼？

Answer 1

在使用LSTM之前，最好也了解RNN的實現。

tensorflow文檔包含一些RNN和LSTM實現的示例： https ://www.tensorflow.org/tutorials/sequences/recurrent

您部分正確，輸出確實取決於先前輸入的“全部”。 但是，這並不一定意味着所有先前的輸入。 在這里查看Jason Brownlee的精彩文章，並提供您所要求的示例。 https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/

通常，您將數據集“划分”為情節。 即，提取n天輸入的窗口，並在n + 1天輸出標簽，例如n = 7。 然后，RNN或LSTM將在這些提取的窗口上作為樣本進行訓練（訓練數據）。

最后，您當然可以在最近的n天歷史數據上使用經過訓練的網絡來預測接下來幾天的功能（模型部署）。

另請參見此 SO帖子： 了解Keras LSTM

Answer 2

我決定使用的解決方案是來自keras庫的TimeseriesGenerator。

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