13、LSTM AI 建模实用案例深度剖析

LSTM AI 建模实用案例深度剖析

1. LSTM 时间序列模型性能评估方法

在对事件预测的准确性进行评估时，我们可以依据二元指标将事件分为四种类型，具体如下表所示：
| | 发生 | 未发生 |
| — | — | — |
| 预测为正 | TP（真阳性） | FP（假阳性） |
| 预测为负 | FN（假阴性） | TN（真阴性） |

一般来说，预测评估的准确性 Ac 定义为：
$Ac = \frac{TP + TN}{TP + FP + FN + TN}$

然而，对于像设施维护操作这类罕见事件，TN 会变得极大。即便其他三个值发生变化，作为目标率评估的事件几乎保持不变，这会导致数值与从图表中获取的直观感受之间存在较大差异。因此，引入了威胁分数 Th，定义为：
$Th = \frac{TP}{TP + FP + FN}$

当 FP 和 FN 这两种常见预测失败的事件数量为 0 时，威胁分数为 1，表明模型性能卓越。

以实际办公楼的建筑多类型空调系统为例，使用系统运行 12 天的测量数据作为训练数据，未用于训练的数据作为评估数据。在正向计算中，仅中间层各门的值和单元中的值会更新，因此层的权重需每隔一段时间更新一次。为统一数据连续积累的次数，当连续收到 24 个输入时进行误差反向传播，更新层权重并重置中间层记忆单元的值。由于每个变量每 5 分钟输入一次到 LSTM 模型，24 次输入（即 5 分钟 × 24 次输入 = 120 分钟）是为了估计影响目标事件发生的时间序列长度。LSTM 的内部记忆在输入 2