Là chuỗi thời gian nhiều bước trước dự báo một chuỗi đến vấn đề trình tự?

Tôi đang sử dụng gói keras để huấn luyện LSTM cho một chuỗi thời gian đơn biến kiểu số (float). Thực hiện dự báo trước 1 bước là không đáng kể, nhưng tôi không chắc cách thực hiện dự báo trước 10 bước. Hai câu hỏi:

1) Tôi đọc về trình tự NN theo trình tự, nhưng hầu như không thể tìm thấy bất cứ điều gì về nó trong bối cảnh dự báo chuỗi thời gian. Tôi có đúng với giả định rằng việc dự báo trước hơn 1 bước là vấn đề seq2seq không? Điều đó có ý nghĩa với tôi bởi vì mỗi dự báo phụ thuộc vào người tiền nhiệm của nó.

2) Một giải pháp trực quan không có seq2seq sẽ là: Thực hiện dự báo trước 1 bước, sau đó nối dự báo này vào chuỗi và sử dụng nó để có được dự báo tiếp theo, v.v. Điều này sẽ khác với cách tiếp cận seq2seq như thế nào?

Kiến trúc Seq2Seq chắc chắn có thể được sử dụng cho vấn đề chuỗi thời gian. Nút thắt duy nhất là bạn sẽ cần một lớp tuyến tính trên đầu bộ giải mã của bạn để chiếu các đầu ra tới kích thước yêu cầu (ví dụ: 1 cho đơn biến).

Cách tiếp cận dự báo từng bước có thể được sử dụng cho các chuỗi ngắn nhưng vì bất kỳ sự thiên vị nào được kết hợp bằng cách sử dụng phương pháp này, nó không tốt cho các chuỗi dài hơn.

Ví dụ: nếu bạn có một chuỗi trong đó giá trị không đổi ở mỗi lần bước , nhưng bạn mô hình đã học cách làm (rất có khả năng giảm độ dốc thuật toán). Với , giá trị đích sẽ là , tuy nhiên mô hình của bạn sẽ dự đoán .$x_{i+1} = x_i$$x_{i+1}=1.01x_i$$t=10$$1^{50} = 1$$1.01^{50}=1.64$

Do đó, lỗi đơn 1% dẫn đến chênh lệch 64% trong 50 bước.