拥有传感器的时间序列数据:
+----+----------+----------+------+
|day |Feature 1 |Feature 2 |target|
+----+----------+----------+------+
|0 |0.2 |0.1 |0.01 |
+----+----------+----------+------+
|... until day 30
我建立了一个 LSTM 模型,该模型根据前 7 天预测第 30 天的目标值。
model = Sequential()
model.add(LSTM(32, activation='tanh', input_shape=(num_samples, num_features))),
model.add(Dense(32, activation='relu')),
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='mse', optimizer="adam", metrics=['mae', 'mse'])
模型 MSE 为 0.05,但在查看数据时,我可以看到在大多数情况下,第 30 天的目标分数在特定范围之间。所以我的模型预测大部分时间都是正确的,而在出现异常时会错过(这是我想要捕捉的)。
我研究了处理带有分类问题的不平衡数据的技术,例如过采样、欠采样和 SMOTE。但是,我找不到有关时间序列回归问题的任何信息。