java版本lstm_使用LSTM的时间序列预测

我正在使用Jason Brownlee's tutorial(mirror)在某些syslog /网络日志数据上应用LSTM网络 . 他是大师！

我有过去1年每天的系统日志数据(特定事件)，所以我使用LSTM网络进行时间序列分析 . 我正在使用Keras深度学习库中的LSTM .

我认为 -

关于Batch_size

一批数据是来自训练数据集的固定大小的行数，用于定义在更新网络权重之前要处理的模式数 . 基于 batch_size ，模型从数据中随机抽取样本进行分析 . 对于时间序列，这是不可取的，因此batch_size应始终为1 .

关于设置随机值的值

默认情况下，一个纪元内的样本在暴露给网络之前进行混洗 . 这对于LSTM来说是不合需要的，因为我们希望网络在整个观察序列中学习时 Build 状态 . 我们可以通过将“shuffle”设置为“False”来禁用样本的混洗 .

Scenario1 - 使用以上两条规则/指南 - 我使用不同数量的神经元，纪元大小和不同层进行了多次试验，并从基线模型(持久性模型)获得了更好的结果 .

Scenario2- 没有使用上述指南/规则 - 我运行了几个不同数量的神经元，时期大小和不同层次的试验，并获得了比方案1更好的结果 .

Query - 将shuffle设置为True，将Batch_size值设置为1以表示时间序列 . 这是规则还是准则？

在阅读教程时似乎逻辑上不应该改变时间序列的数据，因为我们不想改变数据序列，但对于我的数据，如果我让数据被洗牌，结果会更好 . 最后我想，重要的是我如何通过我的跑步得到更好的预测 . 我认为我应该尝试将“理论”放在具体证据上，例如指标，肘部，RMSE等 .

请开心 .