改进LSTM时间序列预测

Question

在LSTM网络中，我的时间序列预测结果很差。我正在寻找任何改进模型的想法。

上面的图表显示了真实数据和预测。真实数据是光滑的锯齿形，从0到1。然而，预测很少达到0或1。

预测数据集中的分布很少达到0或1，并且集中在0.5左右。

然而，真实数据集中的分布是均匀分布的。

下面是建立在keras中的LSTM模型：

model = Sequential()
model.add(Dropout(0.4, input_shape=(train_input_data_NN.shape[1], train_input_data_NN.shape[2])))
model.add(Bidirectional(LSTM(30, dropout=0.4, return_sequences=False, recurrent_dropout=0.4), input_shape=(train_input_data_NN.shape[1], train_input_data_NN.shape[2])))
model.add(Dense(1))
model.compile(loss='mae', optimizer='adam')

我如何使预测更接近真实数据？

Answer 1

好的，看来我把输出算错了。它在整个数据集中没有得到公平的计算。

在改进了输出计算之后，我得到了更好的结果：

它仍然可以改进，但这是一个伟大的开端。

Answer 2

我刚刚用LSTM训练了一个预测时间序列值的模型，并取得了如下良好的结果：

# reshape input to be [samples, time steps, features]
trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1]))

model = Sequential()
model.add(LSTM(40, input_shape=(trainX.shape[1], trainX.shape[2])))
model.add(Dense(1))
model.compile(loss='mean_absolute_error', optimizer='adam')
model.fit(trainX, trainY, epochs=10, batch_size=1, verbose=0)

这是我的结果:蓝色是真实值，橙色是预测。