使用 CNTK 使用 LSTM 预测时间序列答案

【问题标题】：Forecasting time series with LSTM using CNTK使用 CNTK 使用 LSTM 预测时间序列
【发布时间】：2017-04-14 21:36:14
【问题描述】：

我阅读了一篇post，关于使用 CNTK 使用 LSTM 预测时间序列。这对我更好地理解如何应用这种方法来解决其他问题非常有帮助。使用 CNTK 实现 LSTM 网络非常简单，只需要几行代码。

model = Sequential (

  RecurrentLSTMLayer {$stateDim$, usePeepholes = true} : #first LSTM

  DenseLayer {$labelDim$, bias=false}                    # followed by an adaptor layer (from LSTN output size to the output or label size)

)

我使用帖子中包含的数据预处理程序来生成训练数据和验证数据。我试图通过研究示例的训练数据文件来准备我的域数据，我可以理解每一行由 15 个特征（输入窗口）和 12 个标签（输出输出窗口）组成。前两行数据如下所示。

1|i -0.117767881389987 -0.136789685972378 -0.157142990666484 -0.110810379516591 -0.0514608885500003 -0.0519359184751851 -0.093395333203464 -0.0466859579796335 -0.027053633818924 -0.0228974319964887 -0.0226106294034727 -0.0771583282775792 0.0326521764808296 0.0382623225371779 0.0179878482650109 |o -0.0419931078602005 -0.00707823233794613 -0.0326514790959216 0.107345877141872 0.0500879860433807 -0.0227185182952923 0.0354644105738453 0.0276734047763592 0.0830922226488839 0.0670409830200276 0.0983389666100694 0.101450282120106 |
1|i -0.142277570256967 -0.162630874951073 -0.11629826380118 -0.0569487728345894 -0.0574238027597742 -0.0988832174880532 -0.0521738422642226 -0.0325415181035131 -0.0283853162810779 -0.0280985136880618 -0.0826462125621683 0.0271642921962405 0.0327744382525887 0.0124999639804217 -0.0474809921447896 |o -0.0125661166225353 -0.0381393633805107 0.101857992857283 0.0446001017587916 -0.0282064025798814 0.0299765262892562 0.02218552049177 0.0776043383642948 0.0615530987354385 0.0928510823254802 0.0959623978355166 0.0630698500493061 |

正如文章中提到的，输入（15 个值）和输出（12 个值）窗口一次向前移动一步（见下图），因此，每行的数据一次只能移动一个值，但是在我看来，情况并非如此。两行之间的值似乎没有任何重叠。

Input and output windows for the time series

我的问题是我应该如何使用 CNTK LSTM 准备时间序列预测的训练和验证数据？

【问题讨论】：

标签： time-series lstm cntk

【解决方案1】：

我查看了数据预处理脚本（在 R 中），发现每个输入和输出窗口中的值都是平滑趋势和 随机分量（噪声）的总和，作为数据规范化的一部分.

【讨论】：