时间戳

首页 > 解决方案 > 当基本事实接近于零时，LSTM 无法很好地预测

time-series - 当基本事实接近于零时，LSTM 无法很好地预测

问题描述

在训练 LSTM 模型时，我遇到了一个我无法解决的问题。首先，让我描述一下我的模型：我在 Pytorch 中使用了一个堆叠的 LSTM 模型，它有 3 层，每层有 256 个隐藏单元，以根据 EMG 特征预测人体关节扭矩和关节角度。经过训练，模型在ground truth远离0时可以很好地预测，但是当ground truth接近0时，预测值与ground truth之间总是存在偏移。我猜原因是ground truth的大值会在训练过程中产生更大的影响，以减少损失函数。

这是结果：

验证集的预测 验证集

训练集的预测 训练集

从图中可以看出，在这两个数据集中，当ground truth 高于20度时，模型可以很好地预测。我尝试了不同的损失函数，但情况并没有改善。由于我只是这个领域的初学者，我希望有人能指出我方法中的问题以及如何解决它。谢谢！

标签： time-seriespytorchlstmprediction

解决方案

推荐阅读