机器学习与深度学习预测 · exp-05-deep-learning
实验 05｜深度学习预测
建议 2 学时。用滑动窗口组织样本，训练 LSTM，并比较递归与直接多步预测。
预测多个未来时点时，模型结构和预测策略如何影响误差随步长的变化？
KEY POINTS
这条内容的重点
进阶
- 构造滑窗数据集并解释窗口长度、预测步长与样本数的关系。
- 实现 LSTM 一步预测并与昨值重复基线比较。
- 比较递归与直接多步策略，按 horizon 分析误差累积。
- 遵守先切分、再仅用训练段统计量归一化的防泄漏流程。
WORKFLOW
内容流程
构造滑窗样本
设定窗口长度和预测目标，按时间顺序生成训练、验证和测试样本。
本步产物 滑窗样本形状及切分边界说明。
训练一步预测 LSTM
仅用训练段估计归一化参数，训练 LSTM 并与昨值重复基线比较 MSE。
本步产物 预测结果和基线误差对照。
比较多步策略
实现将预测值回填窗口的递归方式，并训练多输出直接预测模型。
本步产物 递归与直接多步预测曲线。
按步长评估
分别计算不同 horizon 的误差，检查递归误差累积和直接预测的变化。
本步产物 误差随 horizon 变化图及策略选择说明。
METHODS
相关方法
- 滑动窗口
- LSTM
- 训练段归一化
- 递归多步预测
- 直接多步预测
DELIVERABLES
可获得的内容
- 滑窗样本说明
- LSTM 与基线误差对照
- 按预测步长拆分的多步误差比较
LIMITATIONS
适用范围与注意事项
- 深度模型不保证优于简单基线；样本规模、窗口长度和噪声水平都会影响结果。
- 归一化和调参不得窥视测试段。
- 对应的实训方案、课件和 Notebook 已登记在项目资源清单中；公开再分发许可待核验，当前页面不提供原件下载。
MATERIALS
相关资料与下载
只展示已核准公开的资料。
当前没有已批准公开的资料。待核验或私有文件不会显示。