48、时间序列预测与循环神经网络的应用

时间序列预测与循环神经网络的应用

1. 循环层输出设置

在处理时间序列时，Keras 中的循环层默认仅返回最终输出。若要让其在每个时间步都返回输出，需将 return_sequences 参数设为 True 。例如，构建一个简单的循环神经网络模型：

import keras

model = keras.models.Sequential([
    keras.layers.SimpleRNN(20, return_sequences=True, input_shape=[None, 1]),
    keras.layers.SimpleRNN(20, return_sequences=True),
    keras.layers.SimpleRNN(1)
])

若对该模型进行编译、训练和评估（使用 Adam 优化器训练 20 个周期），均方误差（MSE）可达 0.014，优于简单的预测方法，但不如简单线性模型。线性模型每个神经元在每个输入和时间步都有一个参数，再加上一个偏置项；而简单循环神经网络（Simple RNN）的每个循环神经元，每个输入和隐藏状态维度只有一个参数，再加上一个偏置项，简单 RNN 总共只有三个参数。

2. 趋势与季节性处理

预测时间序列还有许多其他模型，如加权移动平均模型或自回归积分滑动平均（ARIMA）模型。部分模型需要先去除时间序列中的趋势和季节性。
- 趋势处理 ：若研究网站活跃用户数量，每月增长 10%，需从时间序