关于深度学习的滞后性问题

2019/12/14
首先，这个问题的提出，是当时最开始学习LSTM的时候，看到了一个博客[1]，他的实施方案；其实他就是从文章[2]翻译过来的，但是自己修改了一些代码，可以看文章[2]的内容，他做出来的图像有明显的滞后性，但是文章[1]就没有；文章[1]把最后的代码给改了，就是说最后的时候，实际上是他画图的时候故意错位了。
所以这里反应出来一个问题：LSTM存在滞后性。[1]中评论还说，可能是最后一个输入值的权值太大了，这里不是非常理解。
然后我去搜索了这个问题，发现并没有非常好的解释。博客[1]的作者在评论中提到，这种小样本的数据就是出现这种滞后性严重的问题，利用大数据集可以解决；
文章[3]说可能因为是这个数据不是平稳的，他通过平稳数据之后得到的较好的内容；问答[4]的回答是通过改变窗口的大小还有调整网络结构来解决，我稍微修改了一下这个东西，发现有改进，但是这个数据量的确太小了，可能意义也不大。

所以关于这个问题，可能解决的办法就是：

1. 对序列进行平稳
2. 改变参数
   具体原因还得再看看资料

看下面这个哥们的说法[5]:

滞后

参考文献

[1]简单粗暴LSTM：LSTM进行时间序列预测
[2]time-series-prediction-lstm-recurrent-neural-networks-python-keras/
[3]基于EMD分解与LSTM的空气质量预测
[4]lstm-prediction-result-delay-phenomenon
[5]用 LSTM 做时间序列预测的一个小例子