[英]Predicting future values in a multivariate time forecasting LSTM model
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?
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
我決定使用的解決方案是來自keras庫的TimeseriesGenerator。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.