A është Lstm i mirë për seritë kohore?

2024 Autor: Lynn Donovan | [email protected]. E modifikuara e fundit: 2023-12-15 23:53

Përdorimi i LSTM-ve për të parashikuar koha - seri . RNN-të ( LSTM-të ) janë të bukura mirë në nxjerrjen e modeleve në hapësirën e veçorive të hyrjes, ku të dhënat hyrëse shtrihen në sekuenca të gjata. Duke pasur parasysh arkitekturën e portuar të LSTM-të që ka këtë aftësi për të manipuluar gjendjen e saj të kujtesës, ato janë ideale për probleme të tilla.

Po kështu, njerëzit pyesin, çfarë është seria kohore Lstm?

LSTM (Long Short-Term Memory Network) është një lloj rrjeti nervor periodik i aftë për të kujtuar informacionin e kaluar dhe ndërkohë që parashikon vlerat e ardhshme, merr parasysh këtë informacion të kaluar. Mjaft me paraprake, le të shohim se si LSTM mund të përdoret për seritë kohore analiza.

Më pas, pyetja është, për çfarë është e mirë Lstm? Kujtesa afatshkurtër e gjatë ( LSTM ) është një rrjet nervor i përsëritur artificial ( RNN ) arkitektura e përdorur në fushën e të mësuarit të thellë. LSTM rrjetet janë të përshtatshme për klasifikimin, përpunimin dhe bërjen e parashikimeve bazuar në të dhënat e serive kohore, pasi mund të ketë vonesa me kohëzgjatje të panjohur midis ngjarjeve të rëndësishme në një seri kohore.

Këtu, a është Lstm më i mirë se Arima?

ARIMA rendimentet më mirë rezulton në parashikimin afatshkurtër, ndërsa LSTM rendimentet më mirë rezultatet për modelimin afatgjatë. Numri i kohërave të trajnimit, i njohur si "epokë" në të mësuarit e thellë, nuk ka asnjë efekt në performancën e modelit të parashikimit të trajnuar dhe shfaq një sjellje vërtet të rastësishme.

Si parashikon Lstm?

Një finale LSTM modeli është ai që përdorni për të bërë parashikimet mbi të dhënat e reja. Kjo do të thotë, duke pasur parasysh shembuj të rinj të të dhënave hyrëse, ju dëshironi të përdorni modelin për të parashikojnë prodhimi i pritur. Ky mund të jetë një klasifikim (caktoni një emërtim) ose një regresion (një vlerë reale).