什么时候使用状态LSTM？

Question

我试图使用LSTM对时间序列的数据，以产生未来的序列，看上去像原来的序列在数值和进展方向。我的方法是：

• 训练RNN根据25个过去的值预测一个值，然后使用该模型通过将预测值附加到原始序列中来递归地生成未来的预测，并移动旧值。

通过使用LSTM单元，我发现模型无法生成看起来像原始数据的序列。它只预测下一个值，然后开始收敛到“平衡”或静态值，无论输入序列是什么，它都是相同的。

我在想，Stateful是否会帮助我们更好地从过去的价值观中学习，并试图预测一些接近它已经拥有的东西呢？我的目标是生成看起来像模型已经看到的序列。

请告诉我，如果我遗漏了什么，或者您是否有类似的情况，并且您找到了生成时序序列的最佳方法，这看起来就像模型在过去学到的一样。

Answer 1

关于有状态的LSTM及其理解，请参阅这里。这里引用了一个答案：

“给我一个大序列(例如时间序列)，我把它分解成较小的序列来构造我的输入矩阵X。LSTM是否可能在序列之间找到依赖关系？”

不，除非你选择有状态的LSTM，否则是不可能的。大多数问题都可以用无状态LSTM解决，所以如果您采用有状态模式，请确保您确实需要它。在无状态模式下，长期内存并不意味着LSTM将记住前几批的内容。“

因此，如果您希望保存神经元的状态以供下一次训练，而不是重新设置，有状态是有用的。

“我的目标是生成看上去像模型已经看到的东西的序列。”

那么也许sequence2sequence (seq2seq) LSTM编解码器正是你所需要的.

Answer 2

见本文：https://stackoverflow.com/questions/47594861/predicting-a-multiple-time-step-forward-of-a-time-series-using-lstm

你应该在一个移动的X上训练你的Y。然后通过新的weights.h5和预测，如图所示。