Làm thế nào để làm cho LSTM dự đoán nhiều bước thời gian phía trước?

Tôi đang cố gắng sử dụng LSTM để dự đoán chuỗi thời gian. Các luồng dữ liệu trong một lần mỗi phút, nhưng tôi muốn dự đoán trước một giờ. Có hai cách tôi có thể nghĩ về việc này:

1. Thay vào đó, ép dữ liệu thành dữ liệu hàng giờ, lấy trung bình trong mỗi khoảng thời gian 60 phút làm một điểm dữ liệu.
2. Đối với mỗi (X, y)cặp dữ liệu huấn luyện, hãy Xlà chuỗi thời gian từ t - 120đến t - 60và hãy ylà chuỗi thời gian từ t - 60đến t. Buộc LSTM dự đoán 60 dấu thời gian phía trước và lấy y[-1]làm dự đoán.

Có thực hành tốt nhất để đi về điều này?

Có nhiều cách tiếp cận khác nhau

• Chiến lược đệ quy

  • một mô hình nhiều-một

    prediction(t+1) = model(obs(t-1), obs(t-2), ..., obs(t-n))
    prediction(t+2) = model(prediction(t+1), obs(t-1), ..., obs(t-n)) 
    

• Chiến lược trực tiếp

  • nhiều mô hình nhiều-một

    prediction(t+1) = model1(obs(t-1), obs(t-2), ..., obs(t-n))
    prediction(t+2) = model2(obs(t-2), obs(t-3), ..., obs(t-n))`
    

• Chiến lược nhiều đầu ra

  • một mô hình nhiều-nhiều

    prediction(t+1), prediction(t+2) = model(obs(t-1), obs(t-2), ..., obs(t-n))`
    

• Chiến lược lai

  • kết hợp hai hoặc nhiều chiến lược trên

Tham khảo: Dự báo chuỗi thời gian nhiều bước

Từ https://machinelearningmastery.com/multi-step-time-series-forecasting-long-short-term-memory-networks-python/

train = [[t-120,t-199...t,t+1...t+60],[...],[...]]

# fit an LSTM network to training data
def fit_lstm(train, n_lag, n_seq, n_batch, nb_epoch, n_neurons):
    # reshape training into [samples, timesteps, features]
    X, y = train[:, 0:n_lag], train[:, n_lag:]
    X = X.reshape(X.shape[0], 1, X.shape[1])
    # design network
    model = Sequential()
    model.add(LSTM(n_neurons, batch_input_shape=(n_batch, X.shape[1], X.shape[2]), stateful=True))
    model.add(Dense(y.shape[1]))
    model.compile(loss='mean_squared_error', optimizer='adam')
    # fit network
    for i in range(nb_epoch):
        model.fit(X, y, epochs=1, batch_size=n_batch, verbose=0, shuffle=False)
        model.reset_states()
    return model