RNNs - 如何针对测试用例

Question

我试图用Tensorflow预测RNN的比特币价格。

我的模型是非常简单的带有LSTM的RNN：

cell = tf.contrib.rnn.BasicLSTMCell(num_units=num_hidden, state_is_tuple=True, activation=tf.tanh)
outputs, _ = tf.nn.dynamic_rnn(cell, X, dtype=tf.float32)
predict = tf.contrib.layers.fully_connected(outputs[:, -1], num_output,
                                            activation_fn=None)  # use last cell's output
cost = tf.reduce_sum(tf.square(predict - Y))  # MSE
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)'

我有35000小时的比特币价格数据。

我将其拆分为训练数据集（旧数据）和测试数据集（更新数据）。

在训练之前，我尝试了Min-Max Scaling，以便所有列车数据在0到1之间缩放。

# to avoid divide by zero, add noise
data = (data - np.min(np.abs(data), axis=0)) / (
            np.max(np.abs(data), axis=0) - np.min(np.abs(data), axis=0) + 1e-8)

然而，由于去年比特币价格大幅上涨（正在测试数据集中），我的模型根本无法预测测试数据集。

（图片来自here）

我尝试了另外两种方式：

1. 只需修复最高价格数据即可 我只修理了35,000美元的最高价格。

   # to avoid divide by zero, add noise
   data = (data - np.min(np.abs(data), axis=0)) / (
               35000 - np.min(np.abs(data), axis=0) + 1e-8)
   

   效果很好，预测结果很好。但是，我觉得这是 非常不智能的方式 - 如果比特币超过35,000美元怎么办？

2. 按增加/减少率预测

   data = data[1:] / data[:len(data) - 1]
   

   我修改了上面的整个数据，以便数据类似（价格为 明天）/（今天的价格）。

   这样，整个数据只在0.8~1.2之间，所以不需要任何数据 min-max scaling。

   然而，由于训练不好，这种方法失败了。

有没有更好的方法解决这个问题？