如何使LSTM捕获每周的季节性？
LSTM（Long Short-Term Memory）是一种常用于处理序列数据的循环神经网络模型，它可以有效地捕捉到序列中的长期依赖关系。要使LSTM捕获每周的季节性，可以通过以下步骤实现：
- 数据准备：收集包含每周季节性的时间序列数据，例如每周的销售额、用户活跃度等。确保数据具有一定的周期性，以便LSTM能够捕捉到每周的季节性模式。
- 数据预处理：对数据进行预处理，包括去除异常值、填充缺失值、标准化等。这可以帮助LSTM更好地理解数据的特征。
- 构建LSTM模型：使用任意一种编程语言（如Python）和相应的深度学习框架（如TensorFlow、PyTorch）构建LSTM模型。确保模型的输入是时间序列数据，并设置适当的层数和隐藏单元数。
- 训练模型：使用训练数据对LSTM模型进行训练。训练过程中可以采用反向传播算法和适当的优化器（如Adam、SGD）进行模型参数的更新。同时，可以设置适当的损失函数（如均方误差）来评估模型的性能。
- 预测每周季节性：在训练完成后，使用已训练好的LSTM模型进行每周季节性的预测。将需要预测的时间序列数据输入到LSTM模型中，模型将输出对应每周季节性的预测结果。
- 评估模型：通过比较预测结果与实际值，评估模型的准确性和性能。可以使用一些评价指标如均方根误差（RMSE）、平均绝对百分比误差（MAPE）等来度量模型的预测能力。
- 应用场景：LSTM捕获每周的季节性可以应用于各种领域，如销售预测、用户行为分析、股票预测等。对于这些场景，通过预测每周季节性，可以帮助企业制定更有效的销售策略、改进用户体验、优化股票交易等。
腾讯云相关产品和产品介绍链接地址（仅供参考）：
- 腾讯云AI Lab：https://cloud.tencent.com/developer/labs
- 腾讯云深度学习平台：https://cloud.tencent.com/product/tensorflow
- 腾讯云人工智能：https://cloud.tencent.com/product/ai
注意：以上提供的是一种通用的解决思路和可能的产品链接，具体的选择和应用需根据实际情况和需求进行评估。
相关·内容
2回答
假设你有一组用户，数以万计。你有时间序列的每个他们的行为使用这个应用程序。如何使用这些时间序列来预测新用户的未来行为？
直观的解决方案是以用户的工程师行为为特征，并使用它来训练模型，比如应用程序中的平均每周分钟数等等。我对这种方法的看法是，你失去了大量的信息。
我想知道的是，是否有更好的技术来聚合大量的时间序列数据来建立一个预测模型。也许LSTM会起作用，但它似乎不能捕捉数据集的细微差别，而且我不认为它们通常用于聚合各种单个样本的预测。
浏览 0提问于2018-05-02得票数 5
1回答
LSTM预测如何结合多个自相关
、、、、
我正在做一个项目，目的是预测高度自相关的时间序列。对于我的目标来说，LSTM似乎非常理想。然而，有谁知道我如何将多个大的自相关纳入我的预测网络呢？也就是说，有很强的年度相关性和季节性相关性；我如何能够将这些信息纳入LSTM网络？
衷心感谢
浏览 0提问于2018-08-08得票数 1
1回答
我有一个每日时间序列数据集，我正在使用方法来预测未来。但是，我不知道如何在python中编写代码，这说明了多个季节性。据我所知，SARIMAX只负责一个季节，但我想检查每周、每月和季度的季节性。我知道要捕捉一周中的季节，我应该创建6个虚拟变量，来捕捉月份的季节性，创建30个虚拟变量，并且要捕获一年中的月份，创建11个虚拟变量。但我不知道如何将它与Python中的主要SARIMAX函数结合起来？我的意思是，SARIMAX只是一个函数，做自回归，移动平均和差分部分，但我应该如何在我的时间序列分析SARIMAX包括多个季节性代码？到目前为止，我知道如何为每个类别创建虚拟变量，但不知道如何将其复制到整
浏览 3提问于2018-06-06得票数 9
1回答
我正在尝试弄清楚如何使用包的Python端口。
在示例中，有一节是关于处理季节性数据的。
我仍然不清楚如何定义nseasons参数。
在notebook示例中：
ci = CausalImpact(season_data, pre_period, post_period, nseasons=[{'period': 7, 'harmonics': 2}, {'period': 30, 'harmonics': 5}])
neasons使用一个字典列表。我相信设置'period':7
浏览 1提问于2019-11-06得票数 2
1回答
我有一个数据集，包括过去5年每周3,000家商店的销售额，并已经构建了一个LSTM来预测下一年的销售，考虑到前一年的销售情况。在每个时间步骤t中，特征都是前面的52个观察结果。
X_{t-52:t} \rightarrow LSTM \rightarrow \hat{X}_{t:t+52}
LSTM使用滚动窗口在时间序列上进行训练，从X_{0:52}的输入和X_{52:104}的输出开始，以X_{T-52:T}的输入和\hat{X}_{T:T+52}的输出结束，从而在整个系列中建立单元状态，最终预测\hat{X}_{T:T+52}。
但是，我还有一个事件数据集( dataset E )，其
浏览 0提问于2020-07-01得票数 0
1回答
你能帮帮我吗:我不知道如何在Python中增加Facebook先知的时令。我尝试了以下几点：
m = Prophet(
weekly_seasonality = True,
yearly_seasonality = True,
daily_seasonality = True
)
m.fit(train_df)
future = m.make_future_dataframe(periods=24, freq = 'H')
forecast = m.predict(future
浏览 10提问于2022-02-21得票数 2
1回答
因此，为了论证起见，这里有一个每日数据的autoarima示例：
auto_arima(df['orders'],seasonal=True,m=7)
在这个例子中，在运行了一个显示每周季节性的季节性分解之后，我“认为”你为m选择了7？这是正确的，因为季节性显示是每周？
我的第一个问题是:如果季节性是每月一次，你用12次吗？如果是每年一次，你会使用1次吗？是否有任何理由选择365作为每日？
其次，如果您得到的数据已经是每周一次的，例如
date weekly tot
2021/01/01 - 10,000
2021/01/07 - 15,000
2021/01/
浏览 1提问于2021-07-15得票数 0
回答已采纳
对如何使用fbprophet库导出年度季节性趋势有什么想法吗？plot_components()函数绘制趋势图，每年和每周。我只想获得每年的价值。
浏览 6提问于2017-12-22得票数 7
回答已采纳
1回答
我有一些每日的时间序列数据。我正在尝试从每日的历史数据中预测未来3天。
历史数据显示出基于一周中某一天的明确趋势，如周一、周二等，周一和周二是高峰期，周三通常是高峰期，然后在一周剩下的时间里下降。
如果我按月或按周对数据进行分组，我肯定可以看到随着时间的推移而上升的趋势，这种趋势似乎是累加的。
我的目标是只预测未来3天。我的直觉告诉我采取一种方法，我希望得到一些关于利弊和其他方法的反馈。
我的直觉告诉我，按周或月对数据进行分组，然后预测下一周或月可能会更好。假设我通过将每周的历史数据加载到ARIMA中，对下周进行训练、测试和预测，从而预测下周的总额。在一周内，每周的每一天通常占该周总数的x%。
浏览 28提问于2019-10-24得票数 0
1回答
我看过这个：一维时间序列Keras和多维多元时间序列预报(RNN/LSTM)
从2017年开始，我每周都有很多，很多，更多的账户I，以及40个或更多的相关特性。我正试图预测具有给定历史记录的给定accountID下周的预期利润(下一步)(其思想是修改策略特性，将它们传递给RNN，并查看模型训练后哪一项具有较高的预期利润)。
我在第二个链接中提供的建议是，我为每个accountID都建立了一个子模型，但是我有很多这样的模型，而且总是有新的。
我是否应该删除accountID，但仍然将整个历史作为一个序列传递，然后在预测之后再追加它呢？
如果我只有几周的一些账户的数据，而其他的几年的数据呢？
数据
浏览 0提问于2018-12-20得票数 1
回答已采纳
我必须为2000个不同的时间序列创建每小时预测。在我的系列中，我有很强的每小时和每周的季节性。为了处理每小时的季节性，我使用了season("day")选项。然而，我认为season("week")每周会创建168个虚拟对象，这将是一个计算问题。 你知道使用tsibble或fabletools包创建星期几虚拟对象的快捷方法吗？ ts_forecast1 <- train%>% filter(store_number==288) %>% collect()%>%
mutate(store_number = factor(store_nu
浏览 65提问于2020-11-01得票数 0
1回答
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
浏览 0提问于2018-07-31得票数 1
回答已采纳
我有一个包含3目标变量和n特征变量的季节性时间序列数据集。在将数据输入到简单的LSTM之前，我尝试应用PCA算法。我所做的工作如下：
features)Apply 拆分列车验证-测试列车数据集的标准标量器(Forcemean=0& std=1) (包括目标和目标PCA，仅针对列车的特征，通过第三步的PCA矩阵)验证和目标中的特征变量:如何处理目标的验证和目标的测试variables?...多神经网络预处理和构造LSTM的体系结构
我的问题是:如何对目标变量进行缩放/规范化？通过PCA？，通过任何独立的定标器(标准，mapminmax，等等)？如果我离开原来的目标值，我在我的LSTM中得
浏览 6提问于2021-11-09得票数 0
回答已采纳
1回答
如何使LSTM捕获每周的季节性？
、、、、
我是深度学习领域的初学者，我需要LSTM的帮助。 我分析的数据包括1个月内每个时间步的多个http错误。我选择为每10分钟的时间步长考虑数据(以便为训练提供更多的数据)。 数据头部： data.head 数据显示出季节性趋势，周末的错误数量非常少，工作日(即人们连接到服务器时)的错误数量很多。 我的目标是预测第二天的错误数量。我创建了一个新的列，将数据移动了一天来预测它(考虑到我们有10分钟的时间步长，移动了6*24 )。因此，我尝试预测6*24个时间步长。 我的模型如下： model = Sequential()
model.add(LSTM(1008, return_sequences
浏览 79提问于2019-07-03得票数 2
2回答
我是ML领域的新手。所以，如果我在某个地方错了，请忽略或纠正。目前正在为时间序列数据进行模型培训。我的问题是更具体的自行车共享。我有每个地区和每一种自行车类型(齿轮，没有齿轮.)的自行车共享数量。每一天。
例如，数据：
Date BikeType Area BikeCount
1/1/19 Gear 1 10
1/1/19 WithoutGear 1 15
1/1/19 Gear 2 8
1/1/19 WithoutGear 2 12
2/1/19 Gear 1
浏览 0提问于2020-01-16得票数 3
1回答
我试图预测时间序列数据的平均每周股价。
我遵循的步骤是：
我使用ADF和KPSS测试来测试数据是否是固定的。
接下来，为了使数据保持平稳--我使用StandardScaler对数据进行规范化，通过第一个差异消除了趋势，消除了不断增加的波动性，消除了季节性。
然后，我绘制了ACF和PACF图，以识别MA和AR滞后。
我为ARIMA模型建模了值，它似乎给出了糟糕的性能
我正在考虑下一步应用SARIMA模型，但我不确定是否应该删除季节性，因为SARIMA考虑了季节性因素。
我很感激你对此的想法。
浏览 0提问于2023-04-19得票数 0
让我们假设我想要预测房价。我的数据具有线性趋势和季节性，我想使用lightgbm进行预测。
我知道如何捕捉季节性-我可以添加平均编码的特征。但有没有可能赶上这一趋势呢？我认为不是，因为lightgbm的基础是树，没有线性部分。我是对还是错？
浏览 1提问于2019-08-06得票数 0
2回答
我有一个数据集的销售号码~500个不同的市场(假设不同的城市或地区)，并需要每个市场的每月预测。我不想建造500个不同的模型，我只想用一套单一的模型来训练一个模型，以防止我不得不手工设计每个市场的工程师。
有人能为我指出这个问题的一些资源吗？我经历了类似的堆栈问题，它们对此并没有特别的帮助。
具体来说，我知道LSTM有时会在这里使用，但是经典的方法也会有效吗？
浏览 0提问于2019-08-12得票数 4
1回答
我理解ARIMA，但我对季节部分有一个问题。假设我们有截图中所示的具有每周季节性的每日数据。 如果我拟合ARIMA(3,0,3)(3,0,3)7并尝试预测t(36)处的点，那么非季节性分量将使用红色标记值： ? 但是对于季节部分，它是否会返回7个步骤，然后使用3个值(因为P和Q被设置为3)，从而使用所有绿色标记的值？或者只使用橙色标记的t-7、t-14和t-21的最后3个点(忽略t-28)： ?
浏览 12提问于2021-06-26得票数 0
3回答
我使用来运行LSTM神经网络。
我已经开始训练神经网络，我发现它太慢了。它几乎比CPU训练慢三倍。
CPU perfomance:每周期8 min；
GPU perfomance:每小时26 min。
在此之后，我决定在中找到答案，我应用了一个CuDNNLSTM (它只运行在GPU上)，而不是LSTM。
因此，GPU的性能仅为1 min /a的，模型的准确性下降了3%。
问题：
1)有人知道为什么在经典的LSTM层中GPU的工作速度比CPU慢吗？我不明白为何会出现这种情况。
2)为什么当我使用CuDNNLSTM而不是LSTM时，训练速度更快，模型的准确性降低？
P.S.：
My
浏览 1提问于2018-09-24得票数 10
回答已采纳
1回答
我有一个关于将我的数据集声明为时间序列的问题。我有某一种产品需求的每周历史数据。每周标记为201401,201402，直到当前月份201937。
一旦我将集合声明为ts <- ts(data, start=2014, frequency=52)，问题就出现了。因为一年由365.25天组成，在我的集合中我有一个星期201553。所以从201601周开始，每周基本上都是晚一周，这在寻找季节性模式时会产生问题。
我必须删除201553周吗?或者什么是适当的继续？
浏览 0提问于2019-09-24得票数 3
1回答
我有一个几年的价格数据集，与工作日相比，周末的价格非常低。我想将此作为时间序列对象加载到R中。什么可能是最好的方法，以便我可以捕获数据的每周季节性(周末价格下降)。
谢谢!
浏览 2提问于2016-08-26得票数 0
1回答
我的数据结构在下面的图像中，每小时一次。我需要预测需求。
# A tsibble: 23,400 x 6 [1h] <UTC>
Date Demand WeekDay DaysAfterHoliday Influenza MAX_Temperature
<dttm> <int> <int> <int> <dbl> <dbl>
1 2017-05-01 00:00:00 12
浏览 8提问于2020-03-11得票数 2
回答已采纳
我正在尝试使用从2012年1月16日到2013年10月10日的每日数据进行一些需求预测。但预测只会返回糟糕的结果。有什么线索吗？
图中的数据看起来是这样的:存在每周和每月的季节性。即:平日需求较多，周末需求较少。
以下是预测图的外观:其中黑线是实际数据，蓝线是预测数据。
x = ts(data, freq=7, start=c(3,2))
fit <- auto.arima(x)
pred <- forecast(fit, h=300)
我做了很多关于如何用arima模型拟合日常数据的研究。由于有每周的季节性，所以我选择了freq=7。
然而，由于预测是糟
浏览 4提问于2013-11-26得票数 4
5回答
我正在处理的问题是预测时间序列值。我一次看一个时间序列，根据15%的输入数据，我想预测它的未来值。到目前为止，我遇到了两种模式：
LSTM (长时记忆；一类递归神经网络)
阿里玛
我试过这两种方法，并读了一些关于它们的文章。现在我试着更好地了解如何比较这两种情况。到目前为止，我发现的是：
如果我们正在处理大量的数据，并且有足够的培训数据可用，那么LSTM工作得更好，而ARIMA更适合较小的数据集(这是正确的吗？)
ARIMA需要一系列参数(p,q,d)，这些参数必须基于数据计算，而LSTM不需要设置这些参数。然而，我们需要为LSTM调优一些超参数。
编辑:我在阅读一篇伟大的文章这里时注意到两者
浏览 0提问于2016-07-11得票数 86
1回答
时序异常检测方法的比较
、、、、
经过几天的研究，我可以对现有的对时间序列进行异常检测的方法进行一次全面的了解，即：
深度学习预测。例如：RADM或LSTM模型
没有深度学习的预测。例如：季节ARIMA + 卡尔曼滤波器
用自动编码器去噪固定长度的窗口(深度学习方法)。例如：MAD，CNN/LSTM自动编码器，变分自动编码器等。
去噪不需要深入学习。例如：应用卡尔曼或霍德里克普雷斯科特等滤波器，检验原时间序列预测值的偏差是否在阈值以下。
也许还有更多的方法不能归类到这个截图中。
我的问题是，取决于可能发生的数据集类型，哪种方法更适合开发一个timeseries异常系统的需要：
以单变量的方式检测异常，但允许多变量后验积分。
适
浏览 0提问于2019-01-24得票数 2
3回答
ts对象的对偶季节循环
、、、
我想去掉字母T的季节性。这个特定的ts是每天的，并且有每年和每周的季节周期(频率365和7)。
为了删除这两者，我尝试在提取趋势和余数之前，使用频率设置为365的ts执行stl()，并将新ts的频率设置为7，然后重复。
这似乎工作得不是很好，我想知道是我的方法，还是ts固有的东西导致了我的问题。有没有人可以批评我的方法，或者推荐一种替代方法？
浏览 4提问于2014-01-08得票数 6
1回答
当我试图用R中的stl +随机游走来预测时，我遇到了一个问题。我有2016年第7周至2019年期间的每周温度数据，并使用以下代码：
ts <- as.ts(data$Temp , start = c(2016,7),end = c(2019,12), frequency= 52)
plot(ts)
stl_rw <- stlf(ts, forecastfunction = rwf)
当我盯着plot(ts)看的时候，我可以看到一些周期性，但是我继续得到错误：
y不是季节性的ts对象。
。我也尝试将每周数据转换为月度数据，但也有同样的错误。提前感谢您的帮助！
浏览 2提问于2020-06-22得票数 0
回答已采纳
如何在谷歌日历上设置每周一次的季节性活动？我想在每个星期三上午11点举行一个活动，但不包括夏天(不包括5月至8月)。编辑:我有很多这样的事件。
浏览 0提问于2018-01-25得票数 3
我正在尝试使用R基于每周数据进行时间序列建模和预测，如下所示：
biz week Amount Count
2006-12-27 973710.7 816570
2007-01-03 4503493.2 3223259
2007-01-10 2593355.9 1659136
2007-01-17 2897670.9 2127792
2007-01-24 3590427.5 2919482
2007-01-31 3761025.7 2981363
2007-02-07 3550213.1 2773988
2007
浏览 2提问于2014-03-05得票数 34
我有一个一小时分辨率的时间序列，它显示了每周的季节性。我正在寻找一个与ggplot2包中的函数ggseasonplot等效的函数，它适用于每周的季节性。
我在网上找过，但没有找到任何类似的功能，除了seasonplot，它和ggseasonplot一样，但没有那么花哨。
data<-read.csv("series.csv")
hours <- seq(ISOdatetime(2016,4,18,0,0,0), ISOdatetime(2016,5,22,23,0,0), by=(60*60))
time_series<- xts::xts(data[123
浏览 0提问于2019-05-11得票数 1
我有一个从2017-03-01到2017-05-29的每周季节性部分的每日数据。我想在R中做一个季节分解。我的代码如下。
ser = ts(series[,2], frequency=7, start=c(2017,1,1 ))
plot(decompose(ser))
我得到一个图表，如下所示。
但是图表中的X轴是错误的。我怎样才能纠正它呢？
浏览 0提问于2017-05-30得票数 0
1回答
使用tbats预测每周数据
、、、、
这是我的数据数据从2016年7月26日开始，到2017年3月10日结束，所以有两个问题:这是正确的吗？使用tbats？每周一次的季节性？我还希望预测数据看起来像初始数据，但正如所示，这不是我的情况，我该怎么做呢？这就是我得到的代码，这也是代码
我执行了这个命令，最终使用tbts预测得到了这个结果
data.raw=read.csv(file=file.choose(),header=TRUE,sep=";",row.names=NULL)%>%
mutate(date.re = as.POSIXct(date, format = "
浏览 1提问于2017-03-21得票数 4
1回答
我的目标是实现一个统一/多元在线异常检测系统。
经过几天的研究，我可以收集很多方法来达到这个目的。移动平均解如ARIMA，空间状态解如Kalman滤波器、Holt双/三重指数平滑、CUSUM、一类支持向量机、深度学习滑动窗口自动编码方法、基于自回归神经网络的深度学习等)。
一般来说，时间序列上的异常检测是以原始时间序列的预测点或一组点与预测时间序列之间的差异产生的偏差阈值为依据的。
注意到这一预测，这可能发生在：
一种预测方法(比如ARIMA，或者您也可以通过使用LSTM深度学习模型来实现这一结果)，
或以一种无法预测的方式(如。用自动编码器去噪就行了，或者分析推特使用的片段STL+ESD )
浏览 0提问于2019-01-23得票数 2
2回答
bfast软件包中的bfast()函数应该能够检测长期趋势中的断点和季节性成分的变化。一个例子是这个图()：
在这张图中，第2号子图显示了季节性的变化，而第3号则显示了趋势的断点。
但是，我不明白如何告诉bfast()在季节性中寻找变化/断点。我得到的只是长期趋势中的断点。下面是一个可重复的例子，它模拟了一个50年时间序列，每周测量季节性变量y (即每年52次)：
n_years <- 50
freq <- 52
y_pattern <- sin(seq(0, 2*pi, length = freq))
y <- rep(y_pattern, n_years) + r
浏览 1提问于2018-10-08得票数 3
1回答
这是LSTM不合适的吗？
、、、
我试图建立一个模型，预测未来5天(多步)是否会下雨，所以我不需要降水值，只是一个“是”或“否”。我一直在用一些不同的工具/算法进行测试，我想最大的挑战是处理零偏差的数据。
数据集由每小时的数据组成，其中包含降水、温度、压力、风速、湿度等列。它大约有1米行。没有必要使用多元方法。
降雨主要发生在1、2、3、11和12个月。
所以我尝试在数据上使用单变量的LSTM，每小时的样本我得到了最好的结果。我使用了以下架构：
model=Sequential()
model.add(LSTM(150,return_sequences=True,input_shape=(1,look_back)))
mod
浏览 7提问于2022-07-15得票数 -1
回答已采纳
0回答
如何计算不同时间尺度下的RMSE
、、、、
我有18年的每日模拟和观测数据，我可以使用这个代码计算RMSE；
sqrt( mean( (df$simulated-df$observed)^2 , na.rm = TRUE ) )
但是我必须在不同的时间序列上计算RMSE，整个时间段，每年，每月，每周和季节性时间尺度。此外，我想要执行相关系数，方差，偏差和平均值，并将所有结果放在一个文件中。
任何帮助都将不胜感激。
浏览 8提问于2016-07-08得票数 2
回答已采纳
1回答
我怀疑在我对傅里叶变换的理解中缺少了一些东西，所以我在寻找一些修正(如果是这样的话)。我应该如何从下面的第一幅图中收集峰值信息？
该数据集是过去17年(特定城市) 911呼叫的每小时数据。
我已经从我的数据中删除了趋势，现在正在消除季节性。当我运行傅里叶变换时，我得到了以下图：
我相信数据集确实有一定的季节性(查看每周数据，我有这样的模式)：
我如何在第一幅图中选出峰值的值？大概对于所有的“高峰”之下，比如说第一个地块的5000，我可能忽略了在我的最终模型中包含的季节性，但只是在失去准确性，对吗？
下面是我正在使用的代码，目前：
from scipy import fftpack
浏览 0提问于2020-01-28得票数 0
回答已采纳
2回答
我的目标是检测在一个时间序列波形中存在的各种季节性和它们的时间周期。
我目前正在使用以下数据集：
目前，我已经尝试了以下方法：
1) FFT的使用：
import pandas as pd
import numpy as np
from statsmodels.tsa.seasonal import seasonal_decompose
#https://www.kaggle.com/rakannimer/air-passengers
df=pd.read_csv('AirPassengers.csv')
df.head()
frequency_eval_max =
浏览 10提问于2022-03-25得票数 1
1回答
我有大约6年的时间序列每日数据(1.8000个数据点)。我试图预测下一个t+30值，即列车数据独立矩阵(X)=前30天值的序列-- Train (Y)=前30天值的第31天值。
我采用以下方法进行预测:首先预测y for t+1，然后将X矩阵行移动1天，并将预测的Y追加到该行的末尾，然后使用该行预测t+2值并继续。然而，在(通常) t+3天之后的每个序列中，预测值在t+n天的其余时间内变为常数。
这是用LSTMs预测时间序列的正确方法吗？
如何解释这种行为？
即使是一个季节性很强的时间序列，情况也会是这样吗？
即使对于非常大的时间序列数据，这种行为也是预期的吗？
我应该试着用Y矩阵训练网络吗?
浏览 0提问于2017-08-07得票数 5
使用预言库，我能够提取每周的季节性。
library("prophet")
history <- data.frame(ds = seq(as.Date('2015-01-01'), as.Date('2016-01-01'), by = 'd'),y = sin(1:366/200) + rnorm(366)/10)
m <- prophet(history)
future <- make_future_dataframe(m, periods = 365)
forecast <- predict(m
浏览 17提问于2020-03-08得票数 1
2回答
我有一个二元分类问题。我使用下面的keras模型来进行分类。
input1 = Input(shape=(25,6))
x1 = LSTM(200)(input1)
input2 = Input(shape=(24,6))
x2 = LSTM(200)(input2)
input3 = Input(shape=(21,6))
x3 = LSTM(200)(input3)
input4 = Input(shape=(20,6))
x4 = LSTM(200)(input4)
x = concatenate([x1,x2,x3,x4])
x = Dropout(0.2)(x)
x = Dense(
浏览 0提问于2020-03-26得票数 1
回答已采纳
1回答
我想训练一个交易数据模型，以预测客户是否会在未来90天内购买该产品。
我在数据中观察到了季节性，即在一年中的某些月份，销售量有所增加。
同样，客户在一定的时间间隔内重复购买。例如，对于产品A，购买通常在24个月左右重复。而对于产品B，购买通常在18个月左右重复。
如何在数据中捕获这些复杂的模式？对于季节性，我想创建Month1，Month2，.，Month11布尔变量。我不知道如何捕捉第二种场景？有人能对此提出有用的特性吗?这些特性如何帮助捕获这些模式？我计划使用Xgboost作为算法。
浏览 0提问于2022-07-09得票数 1
我正在尝试使用R中的aster软件包将季节性arima模型与假日需求数据进行拟合。
sarima(turkey.ts,0,1,1,0,1,1,52)
通常，此函数提供4个绘图作为输出的一部分。但是，我收到以下错误：
"Error in xy.coords(x, y, xlabel, ylabel, log) :'x' and 'y' lengths differ".
当使用参数"details=FALSE“省略绘图时，模型的输出会显示，但绘图不会显示。然而，我也想使用这些图来验证我的模型。有人知道如何在绘图时解决这个问题吗？
该数据涉及假
浏览 1提问于2018-05-24得票数 2
3回答
带假期的每周预报
、、
我使用Hyndman的forecast软件包在每周一次的水平上做出了一些准确的tbats预测，但是我在假期中有重大的错误。我怎样才能在模型中包括假期呢？此外，Arima也被证明与我每周的数据不太吻合。因此，假期必须以非阿里玛的方式增加。
我看到了两种解决办法。一个展示了如何用傅里叶项将假日作为虚拟变量添加。问题是虚拟变量的形式是1或0。我知道，不同的假期有不同的影响，1或0是无法捕捉的。例如，黑色星期五与中国新年有很大不同。
另一种解决方案是在这里看到的，在这里，协变量nnetr变化被用作auto.arima的一种替代方法，它带有季节性的虚拟变量。问题是，我不知道如何编写R代码来输入我的假期。
浏览 0提问于2017-10-22得票数 9
回答已采纳
3回答
有人能为时间序列数据处理提供资源吗。我不寻找时间序列统计分析(如ARIMA，预测等)。相反，我想根据时间段提取一部分数据。
谢谢德克和莫森！@德克:我一定会去动物园的。我听说这对TS有好处，但出于某种原因，我突然从脑海中溜走了。@Mohsen:我没有使用分解方法。但是我尝试了stl &它给了我很多错误。我希望我能得到更多关于it.Also的细节，我寻找你提供给我的链接。但这是使用其他软件进行TS的工作。我对TS的统计分析没有问题。但我在R.
此外，大部分时间我处理每日，每周和每月的数据。但我遇到的例子是年度数据。所以，当我试图复制我的数据集中的示例时，我得到了很多错误。我无法格式化每
浏览 3提问于2011-02-05得票数 1
1回答
📷
蓝色:训练损失
黑色:验证损失
如果模特给了我这样的情节，那又意味着什么呢？是不是太合适了？我该怎么做才能更好呢？
守则如下：
classifier = Sequential()
classifier.add(LSTM(
input_dim=72,
output_dim=50,
return_sequences=True))
classifier.add(Dropout(0.20))
classifier.add(LSTM(
100,
return_sequences=False))
classifier.add(Dropout(0.20))
浏览 0提问于2018-02-24得票数 3
1回答
谢谢你看我的问题……
我正在处理以下文件：
此代码读取csv文件。
ads1 <- read.table(csvfile，header=TRUE，sep = "，")
ts1 <- ts(ads1，start=c(2012,1)，frequency=49)
ts1 <- ts(ts1 1，4:5，start=c(2012,1)，frequency=49)
ts1对象允许我选择单位或销售作为Arima函数中的时间序列变量。由于这是一个动态回归模型，我试图遵循Hyndman教授在前一篇文章中的建议，使用如下格式：
cbind(Weekday=model.m
浏览 2提问于2014-08-15得票数 0
回答已采纳
我正在尝试弄清楚如何使用LSTM/GRU构建一个模型，该模型可以预测多对多，但对于每n次(在我的例子中是7次)输入。例如，我的输入数据有一整年每天的时间步长，但我只尝试预测每周结束时的输出，而不是每天。 我能找到的唯一信息是这个答案：Many to one and many to many LSTM examples in Keras 它说：“当步数不同于输入/输出长度时，多对多:这在Keras中是异常困难的。没有容易的代码片段来编码。” 在pytorch中，似乎你可以在损失函数中设置ignore_index，我认为这应该可以做到这一点。 keras有解决方案吗？
浏览 48提问于2019-02-13得票数 0
1回答
使用每周天气数据，我试图使用python/keras来预测全年的目标值。但是，年度数据是基于天气，而单一标记的目标数据在年底是小麦产量。
所以我想说的是，在第10周，天气非常冷了3周，所以在季节结束时的预期产量将低于预期。我可能有20个天气变量分裂和聚合成每周的特点为每个。例如，我有ave_temp_week1，ave_temp_week2，30周，avg_precip_week1，avg_precip_week2等，这会产生大约1000个功能。还有一个yield_trend特性，它显示了我所拥有的六年数据的趋势。我有几十万的产量观察，如果需要的话，可以按县汇总。
的一个问题是:这是一个LST
浏览 6提问于2020-10-26得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议活动推荐
腾讯云开发者
