用LSTM模型预测一天的具体季节数据
我正在为我们的数据中心建立一个预测网络流量的模型。让我先描述一下我的数据集。在这个时候，我们有90天的模型，在每一天，我们记录网络流量每分钟。这些数据也有季节性模式:网络流量在夜间波动和保持，上午减少，下午增加(正如我所观察到的，这种模式发生在数据集中的所有数据上)。
我现在想要的是一个模型，用于预测未来几分钟内的网络流量(例如25分钟)，因为所有前几分钟的数据都是给定的。新的预测值将用于下一次预测。例如，分钟I的值将被添加到具有特定长度的数据窗口，以预测分钟i+1的值。
此时，我已经尝试了LSTM，我使用的特性是一天中的分钟和该分钟内的网络流量(在输入到LSTM网络之前进行规范化)。然而，我的问题是:我的模型可能会捕捉错误的数据模式:当下午网络流量增加时，我的模型预测它会减少。我尝试过不同的LSTM网络结构(增加LSTM层，改变LSTM层之后完全连接层中的节点数量……)；还有窗口的长度，但这个问题仍然存在。
所以，我想问一下，LSTM模型是否存在像我的数据那样的季节性趋势预测数据的问题？如果没有，有人能建议我一个LSTM模型或任何其他适合我的数据模型吗？
预先多谢：)
回答 1
Data Science用户
发布于 2018-07-31 09:04:28
当以一分钟的水平表示时，这种模式将在大约1440分钟后再次出现。因此，您的LSTM需要学习一个真正的长期依赖在这里。LSTM在如此长期的依赖关系上也不是很好。
我在这里会有相反的看法。降阶神经网络，拟合一个良好的线性模型，得到一个基准。如果线性模型(下面概述的例子)超过了当前的LSTM错误率，投资于建立一个更好的(通用的)线性回归模型。此外，从更粗略的输出定义开始(预测未来15分钟/1小时的总产出)。
- 为您的数据创建手动功能。首先是昨天同一时间的交通，过去7天每天同一时间的交通，上周同一工作日同一时间的交通。
- 通过定义比小时更好的聚合窗口来添加更高级的特性。大概是下午6-9点，午夜12点到早上6点。
- 添加与最近数据相关的功能(今天的累积流量与昨天同一时间的累积流量的比率)。
- 在此数据上建立合适的线性模型，对误码率进行基准测试。如果以命中次数来衡量流量，则使用泊松回归而不是简单的线性回归。
像LSTM这样的复杂神经网络模型在手摇特征很难思考和实现时最好使用。对于许多时间序列应用程序来说，自己生成特性是直观的、简单的(像Python熊猫这样的大多数库都有很好的日期时间功能)和良好的第一步。区分上午和下午比教LSTM要好得多。
弗朗索瓦·乔莱特关于深度学习的书有一章讨论类似的应用程序。他解决了根据过去的数据预测特定时间窗口的天气的问题。他指出，许多复杂的神经网络体系结构发现很难超越简单的基线，比如过去同一时间段的平均。
https://datascience.stackexchange.com/questions/36247
复制相似问题
腾讯云开发者
