存档 | 时间序列深度学习

序列数据中出现缺失观测值是很常见的。数据可能已损坏或不可用，但也有可能您的数据本身就具有可变长度的序列。那些时间步长较少的序列可能被认为包含缺失值。在本教程中，您将了解如何处理包含缺失 [...] 的数据。

长短期记忆（LSTM）是一种递归神经网络，可以学习序列中项目之间的顺序依赖性。LSTM 有望能够学习时间序列预测问题中进行预测所需的上下文，而不是预先指定和固定该上下文。鉴于这种前景，存在 [...]

递归神经网络是一类神经网络，它对输入观测值中的顺序进行了显式处理。这种能力表明，递归神经网络的希望是通过学习输入序列的时间上下文来做出更好的预测。也就是说，为做出 [...] 所需的一系列滞后观测值。

长短期记忆网络或 LSTM 是一种递归神经网络，可以学习和预测长序列。LSTM 的一个优点是除了学习长序列外，它们还可以学会进行一次性的多步预测，这对于时间序列预测可能很有用。LSTM 的一个难点在于 [...]

长短期记忆（LSTM）模型是一类递归神经网络，能够学习观测序列。这可能使它们成为适合时间序列预测的网络。LSTM 的一个问题是它们很容易在训练数据上过拟合，从而降低其预测能力。权重正则化是一种施加约束（例如 L1 [...]）的技术。

长短期记忆（LSTM）模型是一类递归神经网络，能够学习观测序列。这可能使它们成为适合时间序列预测的网络。LSTM 的一个问题是它们很容易在训练数据上过拟合，从而降低其预测能力。Dropout 是一种正则化方法，其中输入和循环 [...]

对于新的预测建模项目，从神经网络入手可能会很困难。需要配置的东西太多了，而且不知道从哪里开始。系统性地进行非常重要。您可以打破错误的假设，快速找到有效的配置以及可能进一步研究的领域 [...]

某些神经网络配置可能导致模型不稳定。这使得它们难以在同一问题上使用描述性统计进行表征和与其他模型配置进行比较。一个典型的模型不稳定的例子是使用在线学习（批次大小为 1）进行状态化长短期记忆 [...]

Keras Python 深度学习库支持状态化和非状态化长短期记忆（LSTM）网络。在使用状态化 LSTM 网络时，我们可以精细控制 LSTM 网络的内部状态何时被重置。因此，了解在拟合和使用 [...] 进行预测时管理此内部状态的不同方法非常重要。

Keras 中的长短期记忆（LSTM）网络支持多个输入特征。这引发了这样一个问题：一元时间序列的滞后观测值是否可以用作 LSTM 的特征，以及这是否会提高预测性能。在本教程中，我们将研究滞后观测值作为特征的使用 [...]