可以使用LSTM来预测带有外生变量的时间序列，就像使用SARIMAX模型一样吗？

Question

我试图使用外生变量预测时间序列，并已成功地使用SARIMAX模型进行预测，我尝试使用RNN模型（特别是LSTM模型）做同样的事情，但无法找到任何实现外生变量的方法（我有完整的历史数据），但这个变量会影响时间序列，因此需要加以考虑。 非常感谢您的帮助 谢谢

- user13730526

---

可以稍微详细解释一下您是如何成功地在SARIMAX模型中包含外生变量的，并且在RNN模型中似乎遇到了类似的困难是如何/在哪里遇到的吗？ - rigsby

嗨，@rigsby。我在SARIMAX函数中使用了exog属性：model=SARIMAX(train_data,exog=exogenous_train, order=..,seasonal_order=...)，然后为了预测，我使用了forecast函数，它让我可以明确地定义一个用于预测的外生变量：fc = model.forecast(steps, exog=exogenous_test)。然而，我似乎无法弄清楚如何在LSTM模型中做到同样的事情。 - user13730526

Answer 1

请查看cond-rnn。它是一个实现你所需功能的库。

如果你有时间序列数据和其他不依赖于时间的输入，比如来自巴黎和旧金山的天气数据，你想预测下一个温度值，同时你期望基于城市的不同，天气会发生变化。你可以选择以下方法之一：

• 将辅助特征与时间序列数据组合（难看！）

• 将辅助特征与RNN层的输出连接起来。这是一种后处理RNN的方式，因为RNN层看不到这些辅助信息。

• 或者使用这个库！长话短说，用学习到的条件表示（例如巴黎或旧金山）初始化RNN状态。这样你就可以优雅地建模P(x_{t+1}|x_{0:t}, cond)。

而且它非常容易使用。

outputs = cond_rnn.ConditionalRNN(units=NUM_CELLS, cell='LSTM')([inputs, cond])

- Pedrolarben