Выходная длина рекуррентной нейронной сети

Question

Я написал два кода RSTN LSTM в python, которые выполняют последовательность-прогнозирование. У меня простая последовательность (скажем, шумно-синусоидальная), и я тренирую свои сети, чтобы «предсказать» будущие значения вдоль синусоиды. Мой первый код просто предсказывает одно следующее значение (так что есть только 1 выходной нейрон), а второй код, который я написал, предсказывает 5 следующих значений (т. Е. 5 выходных нейронов). Чтобы получить предварительное предсказание за первый шаг для первого кода, мне нужно несколько раз вызвать функцию прогнозирования (используя выход предыдущего прогноза).

Оба случая, похоже, работают достаточно хорошо, но то, что я действительно пытаюсь решить, является одной из этих двух сетевых архитектур, которые лучше всего подходят для этой проблемы. В литературе практически ничего не сравнивается с этими выходными моделями.

Answer 1

Я думаю, что использование выходных данных в качестве входных данных не является хорошей идеей для этой проблемы. У вашего выхода всегда будет некоторая ошибка, и он может увеличиться с каждым шагом (ошибка устойчивого состояния).