时间序列预测之：LSTM方法容易出现的问题

Posted 2023-04-26

参考技术A 在用LSTM预测时间序列时，比如输入是X，预测输出是y：

这种现象在很多问题上都有人发现，例如：

Github上有人给出的一种解释是： 这是由于序列存在自相关性 ：

LSTM模型（基于Keras框架）预测特定城市或者区域的太阳光照量实战

LSTM模型（基于Keras框架）预测特定城市或者区域的太阳光照量实战

LSTM在解决序列预测的问题时非常强大，因为它们能够存储之前的信息。

 LSTM是一种时间递归神经网络，它出现的原因是为了解决RNN的一个致命的缺陷。原生的RNN会遇到一个很大的问题，叫做Thevanishing gradient problem for RNNs，也就是后面时间的节点会出现老年痴呆症，也就是忘事儿，这使得RNN在很长一段时间内都没有受到关注，网络只要一深就没法训练。后来有些大牛们开始使用递归神经网络来对时间关系进行建模。而根据深度学习三大牛的阐述，LSTM网络已被证明比传统的RNNS更加有效。

适合多输入变量的神经网络模型一直让开发人员很头痛，但基于（LSTM）的循环神经网络能够几乎可以完美的解决多个输入变量的问题。基于（LSTM）的循环神经网络可以很好的利用在时间序列预测上，因为很多古典的线性方法难以适应多变量或多输入预测问题。

​​​​​​​