每个培训批次的LSTM预测都会增加

时间:2016-07-14 02:27:15

标签: keras lstm

我正在使用Keras构建LSTM用于时间序列预测,但我希望模型以小批量(窗口)进行训练并在线进行预测,如here所述。这是因为数据一次在一个数据记录中流式传输。例如,在窗口大小为500的情况下,在时间步长500处,模型将在步骤1-500上进行训练,并且现在将尝试预测501,然后是502,503等。该模型不会再次训练,直到1000步。

但结果很奇怪,预测值会随着每个训练窗口而增加,如this plot所示。关于这里有什么问题的任何想法?

我有一个小型架构:

layers = {'input': inputDims, 'hidden1': 35, 'hidden2': 35, 'output': 1}
model = Sequential()
model.add(LSTM(
    input_length=self.sequenceLength,
    input_dim=self.layers['input'],
    output_dim=self.layers['hidden1'],
    return_sequences=True)
model.add(Dropout(0.2))
model.add(LSTM(
    self.layers['hidden2'],
    return_sequences=False)
model.add(Dropout(0.2))
model.add(Dense(output_dim=self.layers['output']))
self.model.add(Activation('linear'))
model.compile(loss='mse', optimizer='rmsprop')

1 个答案:

答案 0 :(得分:0)

这可能不是您具体实施的问题,而是具有长时间序列的LSTM概念问题的化身。论文Learning to forget: Continual prediction with LSTM是一个很好的起点。 特别是,作者观察到了

  

[...]即使是LSTM也无法学会正确处理某段时间   或者不是先验分段的连续时间序列   适当的培训子序列

那个

  

[...]细胞状态sc往往会在期间线性增长   介绍时间序列[...]