使用 Keras 進行長期時間序列預測，預測依賴於未來輸入

Question

我正在使用 Keras 構建一個神經網絡，用於基於不同輸入節點的已知電流注入來預測復雜電路的電壓 output。 截至目前，model 是一個簡單的 ConvLSTM model，它產生了相當好的預測。 問題是我需要根據初始 50 ms 的地面實況電壓和已知的電流注入在毫秒時間尺度上預測幾分鍾的電壓 output，所以隨着時間的推移，model 開始依賴它自己的預測，因此預測誤差復合。 我可以測量系統的行為來獲取訓練數據集，但它真的很慢，因此需要一個 NN。

在我當前的 mdoel 中，我只能及時預測下一個電壓值，因為當前輸入每毫秒都在變化，因此長期預測是不可行的。 我想要做的是構建一個 model 需要 50 ms 的地面實況訓練電壓，60 ms 的電流輸入（與電壓值同時開始，但超過 10 ms）和 10 毫秒的電壓為目標。 這可能會幫助我加強第一個預測（第 51 個數據點）。

不幸的是，無論我搜索多久，我都沒有找到能夠處理這種輸入的架構。 有人對基本的 keras 架構有任何想法嗎？

謝謝！

Answer 1

Viktor，我建議結合實際電流（在 11 ms 和 50 ms 之間的 t）和 10 ms 前的電壓（從 1 ms 到 40 ms）為 LSTM 提供訓練，然后你有一個矩形輸入（2 x 40）每個訓練樣本。