多输出模型评估与时间序列预测方法解析-优快云博客

52、多输出模型：使用平均绝对误差（MAE）评估模型并存储该MAE值。

在评估模型时，可通过相应代码来使用 MAE 评估多输出模型并存储 MAE 值。

例如在评估 CNN + LSTM 模型时，通过：

ms_val_performance['CNN + LSTM'] = ms_cnn_lstm_model.evaluate(multi_window.val)

和

ms_performance['CNN + LSTM'] = ms_cnn_lstm_model.evaluate(multi_window.test, verbose=0)

来评估并存储相关性能结果。

53、在深度神经网络中添加更多层指的是什么，添加层有什么作用和影响？

在深度神经网络（DNN）中，会在输入层和输出层之间添加更多层，即 隐藏层 。

添加层的目的 ：
让模型有更多学习机会。
通常能使模型在未见过的数据上有更好的泛化能力，从而提高性能。
随着层数增加 ：
模型训练时间会变长。
理论上学习效果也会更好。

54、在Conv1D层中，使用填充序列代替增加输入长度可以通过设置参数padding=”same”来实现。请问在这种情况下，输入序列的长度是否必须为24？

当使用 Conv1D 层并设置 padding="same" 时，会对输入序列进行填充，从而避免通过增加输入长度来适应卷积核和输出长度的要求，但输入序列长度并非必须固定为 24，其长度可以是任意的。

55、对于多步模型：a. 构建一个ARLSTM模型。b. 绘制其预测结果。c. 使用平均绝对误差（MAE）评估模型，并存储MAE以供比较。d. ARLSTM模型是最佳模型吗？

评估结果显示，ARLSTM模型在验证集上的MAE为0.063，在测试集上为0.049，优于CNN、CNN + LSTM模型以及简单LSTM模型，在此次情况中成为最佳多步模型，但不代表在所有问题中ARLSTM都是最佳模型。

56、Google趋势（https://trends.google.com/trends/）是生成时间序列数据集的好地方。在这里你可以看到全球范围内谷歌上的热门搜索。选择你喜欢的关键词和国家，生成一个时间序列数据集。然后使用Prophet来预测该关键词未来的流行度。

你可以按照以下步骤完成此任务：

访问Google Trends网站（ https://trends.google.com/trends/ ）；
选择你感兴趣的关键词和国家；
生成时间序列数据集；
使用Prophet库对该数据集进行建模；
用训练好的模型预测该关键词未来的流行度。

57、绘制你的预测结果。

可按以下通用步骤绘制预测结果：

准备数据 ：将预测结果和实际数据（如有）整理好。
选择绘图工具 ：如 Python 的 Matplotlib 、 Seaborn 库，R 的 ggplot2 包等。
绘制图形 ：以时间为横轴，预测值为纵轴绘制折线图等合适图形，也可将实际值一起绘制以便对比。

以下是 Python 示例代码：

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
time = np.arange(0, 10)
forecast = np.random.rand(10)

# 绘图
plt.plot(time, forecast, label='Forecast')
plt.xlabel('Time')
plt.ylabel('Value')
plt.title('Forecast Plot')
plt.legend()
plt.show()