机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

使用

RNN

和

CNN

处理序列

｜

437

Y

(0)

X

(0)

X

(1)

X

(2)

X

(3)

X

(4)

Y

(1)

Y

(2)

C(Y

(2)

, Y

(3)

, Y

(4)

)

W,b W,b W,b W,b W,b

Y

(3)

Y

(4)

图 15-5：时间反向传播

15.3 预测时间序列

假设你正在研究网站上每小时的活跃用户数、城市的每日温度或使用多个指标来评估每

个季度公司的财务状况。在所有这些情况下，数据是每个时间步长一个或多个值的序

列。这称为时间序列。在前两个示例中，每个时间步长只有一个值，因此它们是单变量

时间序列，而在财务示例中，每个时间步长有多个值（例如，公司的收入、债务等），因

此它是一个多变量时间序列。典型的任务是预测未来值，这称为预测。另一个常见任务

是填补空白：预测过去的缺失值。这称为插补。例如，图 15-6 显示了 3 个单变量时间序

列，每个时间序列的长度是 50 个时间步长，此处的目标是预测它们下一个时间步长的

值（用 X 表 示 ）。

x

(

t

)

t t t

图 15-6：时间序列预测

为简单起见，我们使用由 generate_time_series() 函数生成的时间序列，如下所示：

def

generate_time_series(batch_size, n_steps):

freq1, freq2, offsets1, offsets2 = np.random.rand(4, batch_size, 1)

time = np.linspace(0, 1, n_steps)

series = 0.5 * np.sin((time ...