Wie kann LSTM mehrere Zeitschritte voraussagen?

Ich versuche, ein LSTM für die Vorhersage von Zeitreihen zu verwenden. Die Daten werden einmal pro Minute übertragen, aber ich würde gerne eine Stunde voraussagen. Ich kann mir zwei Möglichkeiten vorstellen, dies zu tun:

1. Zerdrücken Sie die Daten stattdessen in stündliche Daten, wobei Sie den Durchschnitt über jeden Zeitraum von 60 Minuten als einen Datenpunkt verwenden.
2. (X, y)Sei für jedes Trainingsdatenpaar Xdie Zeitreihe von t - 120bis t - 60und sei ydie Zeitreihe von t - 60bis t. Erzwingen Sie, dass das LSTM 60 Zeitschritte voraussagt, und nehmen Sie dies y[-1]als Vorhersage.

Gibt es dafür bewährte Methoden?

Es gibt verschiedene Ansätze

• Rekursive Strategie

  • ein Viele-zu-Eins-Modell

    prediction(t+1) = model(obs(t-1), obs(t-2), ..., obs(t-n))
    prediction(t+2) = model(prediction(t+1), obs(t-1), ..., obs(t-n)) 
    

• Direkte Strategie

  • mehrere Viele-zu-Eins-Modelle

    prediction(t+1) = model1(obs(t-1), obs(t-2), ..., obs(t-n))
    prediction(t+2) = model2(obs(t-2), obs(t-3), ..., obs(t-n))`
    

• Strategie mit mehreren Ausgaben

  • ein Viele-zu-Viele-Modell

    prediction(t+1), prediction(t+2) = model(obs(t-1), obs(t-2), ..., obs(t-n))`
    

• Hybride Strategien

  • Kombinieren Sie zwei oder mehr der oben genannten Strategien

Referenz: Mehrstufige Zeitreihenprognose

Von https://machinelearningmastery.com/multi-step-time-series-forecasting-long-short-term-memory-networks-python/

train = [[t-120,t-199...t,t+1...t+60],[...],[...]]

# fit an LSTM network to training data
def fit_lstm(train, n_lag, n_seq, n_batch, nb_epoch, n_neurons):
    # reshape training into [samples, timesteps, features]
    X, y = train[:, 0:n_lag], train[:, n_lag:]
    X = X.reshape(X.shape[0], 1, X.shape[1])
    # design network
    model = Sequential()
    model.add(LSTM(n_neurons, batch_input_shape=(n_batch, X.shape[1], X.shape[2]), stateful=True))
    model.add(Dense(y.shape[1]))
    model.compile(loss='mean_squared_error', optimizer='adam')
    # fit network
    for i in range(nb_epoch):
        model.fit(X, y, epochs=1, batch_size=n_batch, verbose=0, shuffle=False)
        model.reset_states()
    return model