时间戳

首页 > 解决方案 > 与回归相比，使用 LSTM 进行时间序列预测有什么优势？

tensorflow - 与回归相比，使用 LSTM 进行时间序列预测有什么优势？

问题描述

一般来说，在神经网络中，哪个模型应该在时间序列之间产生更好、更准确的输出？

标签： tensorflowneural-networkrecurrent-neural-network

解决方案

正如您正确提到的，我们可以对时间序列数据使用线性回归，只要：

  • 包含滞后项作为回归量不会产生共线性问题。
  • 回归变量和解释变量都是平稳的。
  • 您的错误彼此不相关。
  • 其他线性回归假设适用。

没有自相关是线性回归中最重要的假设。如果存在自相关，则后果如下：

  • 偏差：您的“最佳拟合线”可能会偏离，因为滞后误差的影响会将其拉离“真实线”。
  • 不一致：鉴于上述情况，您的样本估计量不太可能收敛到总体参数。
  • 低效率：虽然理论上是可能的，但如果残差是自相关的，则它们不太可能是同方差的。因此，您的置信区间和假设检验将不可靠。

而长短期记忆神经网络是一种循环神经网络（RNN）。RNN 使用先前的时间事件来通知后面的事件。例如，为了对电影中正在发生的事件进行分类，模型需要使用有关先前事件的信息。如果问题只需要最近的信息来执行当前任务，RNN 就会很好地工作。如果问题需要长期依赖，RNN 将难以对其建模。LSTM 旨在学习长期依赖关系。它会长时间记住这些信息。

专注于第一个序列。该模型在索引 0 处获取时间条的特征，并尝试在索引 1 处预测时间条的目标。然后在索引 1 处获取时间条的特征，并尝试预测时间条的目标在索引 2 处等。第二序列的特征从第一序列的特征移动了 1 个时间柱，第三序列的特征从第二序列移动了 1 时间柱，等等。通过这个过程，我们得到了许多更短的序列由单个时间条移动。

推荐阅读