Question

我已经在Keras中编写了LSTM，用于单变量时间序列预测。我正在使用大小为48的输入窗口和大小为12的输出窗口，即我一次预测了12个步骤。与RMSE之类的优化指标配合使用，效果通常很好。

对于非平稳时间序列，在将数据提供给LSTM之前，我要对数据进行差分处理。然后，在进行预测之后，我采用了预测的反差。

进行区分时，RMSE不适合作为优化指标，因为早期的预测步骤比后面的步骤重要得多。当我们在创建12个步骤的预测后进行反差时，则较早（有区别的）预测步骤将影响后续步骤的反差。

所以我认为我需要的是一种优化指标，该指标可以使早期预测步骤的权重更大，最好是指数方式。

这样的指标是否已经存在，或者我应该自己编写？我在俯视什么吗？

Answer 1

只需编写我自己的优化指标，就可以很好地运行，肯定比RMSE好。

仍然好奇这里的最佳做法是什么。我对预测还比较陌生。

from tensorflow.keras import backend as K

def weighted_rmse(y_true, y_pred):
    weights = K.arange(start=y_pred.get_shape()[1], stop=0, step=-1, dtype='float32')
    y_true_w = y_true * weights
    y_pred_w = y_pred * weights
    return K.sqrt(K.mean(K.square(y_true_w - y_pred_w), axis=-1))

进行多步预测时，针对差异数据的哪种优化指标？

1 个答案: