使用 Keras 进行长期时间序列预测，预测依赖于未来输入

Question

我正在使用 Keras 构建一个神经网络，用于根据不同输入节点处的已知电流注入来预测复杂电路的电压输出。截至目前，该模型是一个简单的 ConvLSTM 模型，可以产生相当不错的预测。问题是，我需要根据最初 50 毫秒的地面真值电压和已知的电流注入，以毫秒为单位预测几分钟的电压输出，因此随着时间的推移，模型开始依赖于它自己的预测，因此预测误差复合。我可以测量系统的行为以获得训练数据集，但它真的很慢，因此需要神经网络。在我目前的 mdoel 中，我只能及时预测下一个电压值，因为当前输入每毫秒变化一次，因此长期预测是不可行的。我想要做的是建立一个模型，该模型需要 50 毫秒的地面实况训练电压、60 毫秒的电流输入（与电压值同时开始，但超过 10 毫秒）和 10 毫秒的电压作为目标。这可能会帮助我加强第一个预测（第 51 个数据点）。不幸的是，无论我搜索了多久，我都没有找到能够处理这种输入的架构。有没有人对基本的 keras 架构有任何想法？

Answer 1

Viktor，我建议使用实际电流（在 11 ms 到 50 ms 之间的 t 处）和 10 ms 前（从 1 ms 到 40 ms 之间）的电压组合来为 LSTM 提供训练，然后你有一个矩形输入（2 x 40）每个训练样本。