我的LSTM解决方案给出了预测的平均值，但val_loss的损失为0.1 * e-5

Question

split =self.data‘’sold‘.size- self.length

if (self.showGraph)：

self.data.plot()

plt.show()

self.train = self.data:split

self.test = self.datasplit：

trainDup = self.train

self.train = trainDup.append(self.train)

self.scaler = MinMaxScaler()

self.trainS = self.scaler.fit_transform(self.train)

self.testS = self.scaler.transform(self.test)

self.batch_size =1

self.trainGen = TimeseriesGenerator(self.trainS，targets=self.trainS，length=self.length，batch_size=1)

self.testGen = TimeseriesGenerator(self.testS，targets=self.testS，length=self.length-1，batch_size=1)

self.data.isnull()

batches =int(self.data‘’sold‘.size/ self.batch_size)

self.input_shape = (self.length，self.train.columns.values.size)

self.batch_input_shape = (self.batch_size，self.length，self.train.columns.values.size)

self.model =顺序()

self.model.add(SimpleRNN(

12,return_sequences=False,input_shape=self.input_shape

))

Self.model.add(激活(‘relu’))

Self.model.add(密集(1))

Self.model.add(激活(‘relu’))

def loss(value，pred)：

from sklearn.metrics import mean_absolute_error

return mean_absolute_error(value,pred)

self.model.compile(optimizer=Adam(learning_rate=0.001)，损失=‘mse’，指标=‘准确性’)

print(self.model.summary())

预测是橙色的真实结果是蓝色年份图。

​

我尝试过LSTM，RNNsimple：

我尝试过很多不同的变种

1024-6个单元我已经尝试了dropout，没有定标器，我已经使用L2，L1 regualizers进行了拟合，我已经改变了每周，每月，每年，每天的数据，我尝试了一种复制技术，有10000个数据行，我已经尝试使用ANN，batch_input_shape和更多。但我找不到soultion ATM机。

我的数据计数：

Daily = 1895
Yearly = 1895 / 365
Monthly = 1895 / 12
Weekly = 1895 / 7

Duplicated = 20100 AND I HAVE TRIED SHUFFLING.

Answer 1

解决方案是长度和大量的消失梯度，问题是LSTM只会减慢vanshing梯度，但我已经改变了分类，因为数据太嘈杂。