时序数据深度学习笔记——ARLSTM

最新推荐文章于 2024-05-08 22:09:11 发布

VIP文章 HughYue1990

最新推荐文章于 2024-05-08 22:09:11 发布

阅读量681

点赞数 1

文章标签：深度学习人工智能神经网络

本文链接：https://blog.csdn.net/HughYue1990/article/details/127259707

版权

一、自回归LSTM（ARLSTM）

ARLSTM是由 Google Deep-Mind 构建的，用于创建WaveNet(一种生成原始音频序列的模型)。在时间序列的背景下，允许预测具有不同尺度的时间序列，如小时、天或月，同时避免不得不重新训练一个新模型。它的缺点是错误的积累，由于预测和实际值之间总是存在一些差异，在ARLSTM中随着反馈回模型而累积，这意味着后来的预测会比先前的预测有更大的误差。

二、ARLSTM的使用

1、ARLSTM模型类封装

ARLSTM模型主要包括三层，首先第一层位LSTMCell，其具备访问如状态和预测等更细力度的信息，然后是第二层RNN层，训练上一层LSTMCell的结果，最后将输出通过第三层Dense层进行数据预测。下面将该模型封装至AutoRegressive类，该类同样继承自Keras中的Model 类。

class AutoRegressive(Model):
    def __init__(self, units, out_steps):
        super().__init__()
        self.out_steps = out_steps
        self.units = units
        self.lstm_cell = LSTMCell(units)
        self.lstm_rnn = RNN(self.lstm_cell, return_state=True)
        self.dense = Dense(train_df.shape[1])

由于每轮的预测会继续作为输入反馈至模型中继续生成预测，因此在AutoRegressive类中需要定义一个单独的方法