使用LSTM进行时间序列预测与回归相比有什么优势？

Question

在神经网络中，一般来说，对于时间序列，哪个模型应该在两者之间产生更好且准确的输出？

Answer 1

只要时间序列数据，我们就可以使用线性回归：

• 将滞后项作为回归项不会产生共线性问题。
• 回归变量和所解释的变量都是固定的。
• 您的错误彼此不相关。
• 适用其他线性回归假设。

没有自相关是线性回归中最重要的假设。如果存在自相关，后果如下：

• 偏差：您的“最佳拟合线”可能会偏离，因为滞后误差会使其脱离“真实线”。
• 不一致：鉴于以上所述，您的样本估计量不太可能收敛到总体参数。
• 效率低下：虽然从理论上讲是可能的，但是如果残差是自相关的，则它们不太可能是同方差的。因此，您的置信区间和假设检验将不可靠。

长期短期记忆神经网络是递归神经网络（RNN）的一种。 RNN使用以前的时间事件来通知后面的事件。例如，为了对电影中发生的事件进行分类，模型需要使用有关先前事件的信息。如果问题仅需要最新信息来执行当前任务，则RNN会很好地工作。如果问题需要长期依赖，RNN将很难对其进行建模。 LSTM旨在学习长期依赖关系。它会长时间记住该信息。

专注于第一个序列。该模型采用索引为0的时间条的特征，并尝试预测索引1的时间条的目标。然后，模型采用索引为1的时间条的特征，并尝试预测时间条的目标。在索引2等处。第二个序列的特征比第一个序列的特征偏移了1个时间条，第3个序列的特征从第二个序列的特征偏移了1个时间条，以此类推。通过此过程，我们得到了许多较短的序列可以按单个时间条移动。