Как вывести прогноз многомерного временного ряда?

Многомерное прогнозирование временных рядов с помощью LSTM в Keras.

Нейронные сети, такие как рекуррентные нейронные сети с Long Short-Term Memory памятью (LSTM), способны почти без проблем моделировать проблемы с несколькими входными переменными.Это большое преимущество при прогнозировании временных рядов, когда классические линейные методы трудно адаптировать к задачам прогнозирования с несколькими переменными или несколькими входными данными.

Разработатка модели LSTM для прогнозирования многомерных временных рядов с помощью библиотеки глубокого обучения Keras. Используя Keras определим соответствующую модель LSTM.

Мы определим LSTM с 50 нейронами в первом скрытом слое и 1 нейроном в выходном слое для прогнозирования загрязнения. Форма ввода будет 1 временный шаг с 8 функциями.Мы будем использовать функцию потери средней абсолютной ошибки (MAE) и эффективную версию ADAM стохастического градиента.

Модель будет подходить для 50 тренировочных эпох с размером партии 72. Помните, что внутреннее состояние LSTM в керасах сбрасывается в конце каждой партии, поэтому внутреннее состояние, которое является функцией нескольких дней. 

После того, как модель подходит, мы можем прогнозировать весь набор тестирования.

Детально с кодом все изложено в

(.env) [boris@Server35fedora TIMESERIES]$ python MultivTimeSeries5.py

Epoch 47/50

122/122 - 2s - loss: 0.0143 - val_loss: 0.0136 - 2s/epoch - 16ms/step

Epoch 48/50

122/122 - 2s - loss: 0.0143 - val_loss: 0.0138 - 2s/epoch - 18ms/step

Epoch 49/50

122/122 - 2s - loss: 0.0144 - val_loss: 0.0136 - 2s/epoch - 17ms/step

Epoch 50/50

122/122 - 2s - loss: 0.0142 - val_loss: 0.0135 - 2s/epoch - 20ms/step

Test RMSE: 26.277