多元多系列LSTM

Question

我正在尝试创建一个污染预测LSTM。我见过网络上的一个例子为一个多变量的低污染监测服务，以预测一个城市(北京)的污染水平，但不止一个城市呢？我真的不想为每个城市建立一个单独的网络，我想为所有的x个城市建立一个单一的通用模型/网络。但是如何将这些数据输入LSTM呢？

假设我对每个城市都有相同的数据，我是不是.

1)对一个城市的所有数据进行培训，然后对下一个城市进行培训，等等，直到所有城市都完成。

( 2)对所有城市的数据进行t+1、t+2等数据的训练。

3)完全不同的东西。

有什么想法吗？

Answer 1

我要说的是，备选方案1的效果不太好:根据我的经验，该模型要么只适合你训练的第一个或最后一个模型，要么取决于你给算法多少自由，以便随着时间的推移改变权重(例如，学习率)。

你真的需要决定你要预测什么。这是单个城市的污染水平吗?你对每个城市都有哪些特征？

如果你所拥有的特征也是能够解释目标变量的通用特征，那么同时对所有城市进行培训也是有意义的。所以，如果你有温度，湿度，一些城市的交通统计数据等，那么所有的训练在一起都是有意义的。

我会考虑每一个样本导致一个目标污染水平，如果该样本有足够的信息(根据特征)与其他城市的样本区分开来，那么模型就应该了解并利用数据中的这些细微之处。

Answer 2

我可以想到两种选择：

• 多投入/多产出模型:如果城市之间关系密切，其中一个城市的污染可能会影响另一个城市的污染。在这种情况下，通过将每个城市的测量数据作为LSTM的单独输入来检查相互污染是有意义的。您可以使用这些时间序列对您的网络进行培训，在测试期间，您将在time t插入每个城市的污染，并且该网络可以预测t+n上所有城市的污染(n是任意范围；它越长，预测的准确性就越低)。
• 单输入/单输出模型:另一种方法是利用每个城市的所有培训数据创建一个单一输入网络，方法是假设所有数据都来自同一个来源(或至少类似的来源)。该网络被训练成输出t+n污染预测，给定t对任何城市的污染。但这意味着您的网络可以很好地推广。为了推广LSTM，您应该考虑在培训期间添加Dropout。见这和这。