用于具有极大范围的多重时间序列回归的 LSTM

Posted 2023-03-12

【中文标题】用于具有极大范围的多重时间序列回归的 LSTM

【英文标题】：LSTM for multiple time series regression with extremely large ranges

【发布时间】：2020-03-28 08:13:53

【问题描述】：

对于和我遇到同样困境的人，我有以下问题：

我的目标是开发一个 LSTM RNN，用于多个时间序列的多步预测，代表不同产品的每日销售额。我面临的问题是时间序列有非常不同的范围，有些低于 100 个单位每次观察，有些超过 10000。 考虑到我只想拥有一个应该学习所有不同时间序列的模型，我构建了一个包含所有预测序列的公共数组和另一个用于目标序列的数组。

我最新的方法是同时在 (0,1) 范围内缩放预测序列，目标序列与预测序列成比例。我的意思是：更高的输入比例预测器应该进行更高的预测。 最初我尝试单独缩放输入序列和目标序列，然后将它们堆叠到输入数组中，但我对预测精度不满意。 但是在我改变了上述方法（将所有预测器序列一起缩放）并且未缩放目标序列之后，现在我的问题变得更大了：网络不再收敛并且损失（mse）没有减少，尽管我使用的是相当大的堆叠 LSTM 网络，有 5 个隐藏层和 10.000.000 个参数。

我想获得有关如何最好地处理多个时间序列的回归的建议，这些时间序列的值在非常不同的范围内。

谢谢

【参考方案1】：

使用时间序列预测的常用方法是（而不是使用原始序列）计算时间序列的一阶差分：

f'(t) = f(t) - f(t-1)

通过这种方式，您不必关心每日销售额的绝对值，而只关心与前一天的差异，这应该为您提供更易于管理的范围。