آشنایی با LSTM و پیش‌بینی سری زمانی در متلب
توضیح نقش شبکه LSTM در پیش‌بینی سری زمانی، آماده‌سازی داده ترتیبی، افق پیش‌بینی و ارزیابی با خط مبنا در MATLAB.
چرا ترتیب داده مهم است؟
دمای امروز، مصرف روزانه یا خروجی یک حسگر، فقط مجموعه‌ای از عددها نیستند؛ ترتیب ثبت آن‌ها اطلاعات دارد. در مسئله پیش‌بینی سری زمانی، از داده موجود استفاده می‌کنی تا یک یا چند گام بعد را تخمین بزنی. ابتدا باید روشن باشد هر گام چه مدتی است و در لحظه پیش‌بینی چه داده‌ای واقعاً در دسترس است.
LSTM چه نقشی دارد؟
LSTM نوعی شبکه عصبی بازگشتی برای کار با دنباله‌هاست. این معماری می‌تواند وابستگی‌های زمانی را یاد بگیرد؛ با این حال، نام شبکه به‌تنهایی موفقیت مدل را تضمین نمی‌کند. کیفیت داده، روش آماده‌سازی و شیوه ارزیابی دست‌کم به اندازه انتخاب معماری اهمیت دارند.
از داده تا ارزیابی؛ یک ترتیب پیشنهادی
- افق پیش‌بینی و متغیر هدف را مشخص کن.
- ترتیب زمان و مقادیر گمشده را بررسی کن.
- بخش قدیمی‌تر داده را برای آموزش و بخش جدیدتر را برای ارزیابی کنار بگذار.
- پارامترهای نرمال‌سازی را از داده آموزش برآورد کن.
- شبکه را آموزش بده و پیش‌بینی را به واحد اصلی برگردان.
- نتیجه را با یک روش پایه ساده مقایسه کن.
یک روش پایه که نباید فراموش شود
در یک آزمون ساده، می‌توان پیش‌بینی گام بعد را برابر آخرین مقدار مشاهده‌شده گرفت. اگر مدل پیچیده‌تر از این مبنا بهتر نشود، لازم است داده، تنظیمات یا تعریف مسئله را بازبینی کنی. مقایسه باید روی بازه یکسان و بدون دسترسی پنهان به اطلاعات آینده انجام شود.
پیش‌بینی یک‌گامی با چندگامی یکسان نیست
وقتی برای هر گام داده واقعی تازه داری، شرایط با حالتی که چند گام آینده را بدون مشاهده جدید تخمین می‌زنی فرق می‌کند. در حالت دوم، خطا می‌تواند در ادامه مسیر اثر بگذارد. هنگام ارائه نتیجه، افق و روش به‌روزرسانی ورودی‌ها را صریح بنویس.
پیش‌نیازهای مطالعه LSTM
خواندن اسکریپت، کار با آرایه و نمایش داده در متلب کمک می‌کند روی مفهوم پیش‌بینی تمرکز کنی. در صفحه دوره LSTM دیجی‌استاد، معرفی و سرفصل‌های دوره قرار دارد. برای انتخاب نسخه نرم‌افزار و ابزارهای موردنیاز، توضیحات اصلی دوره را بررسی کن.
دوره مرتبط: آموزش LSTM و پیش‌بینی سری زمانی در متلب
همه راهنماها ←