Усечение старых точек данных в сети LSTM?

Question

У меня есть временной ряд, который я превратил в контролируемую проблему обучения для обучения сети LSTM, и я продолжаю добавлять новые точки данных в свой тренировочный набор.Однако по мере того, как временные ряды становятся длиннее и длиннее, обучение моей сети становится все более затратным в вычислительном отношении.Существует ли метод усечения старых точек данных, который может не оказать существенного влияния на прогнозирование будущего?Есть ли литература, которая может поддержать такое понятие?

Answer 1

Вы можете просто уместить фрагмент данных: slicedX = X[:,-50:] и, если у вас Y с длиной: slicedY = Y[:,-50:].

В примерах я использовал длину, содержащую последние 50 временных шагов.

Каково правильное количество временных шагов?

Ответ лежит в ваших собственных данных.И только эксперименты покажут, сколько шагов нужно сети для удовлетворительной работы.