lstm滑动窗口预测

引用\[1\]和\[2\]中提到了关于使用LSTM进行滑动窗口预测的问题。根据这些引用内容，滑动窗口预测存在一些挑战和限制。当滑动窗口内的数据分布不呈现单一趋势时，预测结果也不会服从某个单一趋势。然而，当滑动窗口内的数据趋势单一时，预测结果会跟随这个趋势延续下去。这种现象是由于滑动窗口的影响。

为了解决这个问题，引用\[2\]提出了几种解决方案。方案一是尝试序列分解，将趋势序列单独建模，然后将分别建模的结果相加或相乘得到最终预测结果。方案二是加入外生变量，从时间列中衍生其他变量。方案三是在每个窗口内部进行加权，即训练窗口内部的权值变化与结果值之间的关系。方案四是尝试使用transformer系列模型。

此外，引用\[3\]还提到了滑动窗口预测的具体过程。在滚动预测中，预测的第一个值的输入是训练集中最后一个窗口大小的数据。然后通过不断剔除输入数组的第一个元素，并将未来预测值添加到输入数组的最后一个元素中，实现滚动预测。

综上所述，LSTM滑动窗口预测存在一些挑战，但可以通过尝试不同的解决方案来改善预测结果。
#### 引用[.reference_title]
- *1* *2* *3* [[LSTM]时间序列预测存在的问题--滑动窗口是一把双刃剑【持续更新】](https://blog.csdn.net/qq_42658739/article/details/118928809)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]