Может ли LSTM решить конкретную проблему, которая у меня сейчас есть

Question

Насколько я знаю, LSTM может проводить регрессионный / классификационный анализ с точки зрения данных временных рядов.Мне интересно, если

time  feature1 feature2 feature3 output
day1 ....................................
day2.....................................
day3....................................
day4...................................
day5...................................
...
...
day30.................................

Предположим, я получил данные из эксперимента и полностью собрал данные за 30 дней в формате, показанном выше.Используя LSTM, я определенно могу предсказать вывод на 31 день, если получу ввод (функция 1–3 в данном случае) на 31-й день. У меня вопрос, если я пропущу экспериментальные входные данные с 31-го по 50-й (слишком занят, чтобысделать эксперимент), могу ли я по-прежнему использовать LSTM, чтобы предсказать результат 51 дня?(У меня может быть время, чтобы провести эксперимент снова в день 51 ^. ^).

Эта проблема, в сущности, не похожа на проблему прогнозирования запасов, которую обычно можно проанализировать с помощью LSTM.Поскольку в задаче прогнозирования запасов выход во время t можно рассматривать как вход за время t + 1.Однако в этой конкретной задаче вход (функции с 1 по 3) нельзя напрямую связать с выходом.

Кто-нибудь может помочь уточнить / решить?

Большое спасибо.

Answer 1

Да, вы можете делать прогнозирование нескольких горизонтов с помощью LSTM. Подобную архитектуру вы можете найти на Amazon здесь .

PS: этот тип вопросов кажется более подходящим для https://datascience.stackexchange.com.

Answer 2

Я рекомендую вам однослойный персептрон. У меня есть пример кода. Вы можете получить его, нажав здесь Архитектура модели

Первый параметр - день, а другие параметры - состояние возникновения функций. Модель корректирует параметры для правильного прогнозирования выхода. Если вы объясните свою проблему более подробно, я могу помочь вам лучше.