LSTM für die Sequenzvorhersage bei einem Feature

Question

Ich muss die tägliche Besucherfrequenz im Karneval anhand der historischen Tagesfolge des Fußverkehrs vorhersagen, wenn man das Thema des Parks an diesem Tag betrachtet. Die Daten sind unten gezeigt:

Ich möchte viele zu viele LSTM implementieren, um für 9,10,11 angesichts der Themen für diese Tage die Frequenz vorherzusagen. Die obige Tabelle dient nur zum Verständnis der Daten und des Problems.

Es wird sehr hilfreich sein, wenn Sie mir den Ansatz für dieses Problem geben können. Vielen Dank.

Answer 1

Nach meinem Verständnis ist ein LSTM einfach nicht für diese Aufgabe geeignet. Grundsätzlich ist ein LSTM ziemlich gut für jede Art von Sequenzen, aber soweit ich Ihr Problem verstehe, hängt die Frequenz nur vom Thema ab. Es spielt keine Rolle, welche Themen an den vorherigen Tagen auftauchten, daher handelt es sich nicht um eine Sequenz, da ein bestimmtes Thema zu einer bestimmten Frequenz führt. Außerdem haben Sie zu wenig Daten für ein neuronales Netzwerk ... Wie auch immer.

Der naivste Ansatz wäre, den Durchschnitt für Ihre drei Klassen c, x und y zu berechnen. Das ist die Erwartung für die nächsten Tage 9, 10 und 11. Die Erwartungen sind:

c = (24 + 15 + 33)/3 = 24 
x = (20 + 32 + 17)/3 = 23 
y = (13 + 22)/2 = 17,5 

Wenn Sie wirklich ein neuronales Netz gehen Sie wie folgt verwenden möchten:
1. Konvertieren Sie Ihre drei Klassen one-hot Darstellungen (das sind Ihre Klassen)
zB c = (0 0 1), y = (0 1 0), x = (1 0 0); das ist Ihre Eingabe
2. Konvertieren Sie Ihre Zahlen in ein Binärformat. das ist Ihr Etikett
3. Führen Sie das Netzwerk