LSTM时间序列预测
对于时间序列来说,指的是给数据加上了一个时间尺度的衡量标志。但是由于按照时间所得得数据,在所得得数据中避免不了数据有时间趋势的各种特征,进而会导致非线性增强。
对于一个高度非线性的数据,如果放到LSTM中进行预测,应该注意哪些
- 对于数据降噪?
- 对数据进行异常值处理?
- 对数据进行缺失值填充?
关于我的数据
在我的数据中,有一列数据是这样的
DataTime | Feature |
---|---|
2002/01/01 0:00 | 0 |
2002/01/01 0:30 | 0 |
… | … |
2002/01/01 15:00 | 0 |
2002/01/01 15:30 | 0.8 |
2002/01/01 16:00 | 26.8 |
2002/01/01 16:30 | 87.8 |
2002/01/01 17:00 | 190.5 |
2002/01/01 17:30 | 267.8 |
2002/01/01 18:00 | 367.8 |
2002/01/01 18:30 | 462.1 |
2002/01/01 19:00 | 537.8 |
2002/01/01 19:30 | 527.8 |
2002/01/01 20:00 | 437.8 |
2002/01/01 20:30 | 327.8 |
2002/01/01 21:00 | 267.1 |
2002/01/01 21:30 | 167.3 |
2002/01/01 22:00 | 67.8 |
2002/01/01 22:30 | 26.1 |
2002/01/01 23:00 | 0 |
2002/01/01 23:30 | 0 |
… | … |
2002/01/01 15:00 | 0 |
通过以上数据可以看到这个数据0和非0的数据各占50%,这种数据放入到LSTM之前,需要进行以上说的处理步骤吗?
结果
我通过删除所有零以及不动原始数据,分别放入到LSTM中进行预测,结果使用原始数据的预测结果反而更好
征问
对于这种数据,大家觉得应该怎么去处理,去分析,然后使用LSTM