machine-learning - 时间序列预测(DeepAR): Prediction results seem to have basic flaw

Question

我正在使用 DeepAR 算法来预测调查响应进度随时间的变化。我希望模型能够预测调查进度中接下来的 20 个数据点。每个调查都是我的训练数据中的一个时间序列。每个时间序列的长度是调查运行的 # 天。例如，以下系列表明调查于 2011 年 6 月 29 日开始，最后一次回复于 2011 年 7 月 24 日收到(长度为 25 天)。

{"start":"2011-06-29 00:00:00", "target": [37, 41.2, 47.3, 56.4, 60.6, 60.6, 
61.8, 63, 63, 63, 63.6, 63.6, 64.2, 65.5, 66.1, 66.1, 66.1, 66.1, 66.1, 66.1, 
66.1, 66.1, 66.1, 66.1, 66.7], "cat": 3}

正如您所看到的，时间序列中的值可以保持不变或增加。训练数据永远不会表明下降趋势。令人惊讶的是，当我生成预测时，我注意到预测有下降趋势。当训练数据中没有下降趋势的痕迹时，我想知道模型是如何学习这一点的。对我来说，这似乎是预测中的一个基本缺陷。有人可以解释为什么模型会以这种方式表现吗？我使用以下超参数构建 DeepAR 模型。该模型经过测试，RMSE 约为 9。如果我更改任何超参数会有帮助吗？对此有何建议。

time_freq= 'D',
context_length= 30,
prediction_length= 20,
cardinality= 8,
embedding_dimension= 30,
num_cells= 40,
num_layers= 2,
likelihood= 'student-T',
epochs= 20,
mini_batch_size= 32,
learning_rate= 0.001,
dropout_rate= 0.05,
early_stopping_patience= 10 

Answer 1

如果所有时间序列都存在上升趋势，那么学习这一点应该没有问题。如果您的时间序列通常具有先上升后下降的周期，那么算法可能会学习这一点，从而生成类似的模式，即使您预测的示例到目前为止仅具有上升趋势。您有多少个时间序列以及它们的平均长度是多少？

你的所有超参数看起来都很合理，但在不了解更多数据的情况下很难判断要改进什么。如果您没有那么多的时间序列，您可以尝试增加 epoch 的数量(也许尝试几百个)并将提前停止增加到 20 - 30。