我正在尝试创建污染预测 LSTM。我在网上看到了一个例子，可以满足多元 LSTM 来预测一个城市（北京）的污染水平，但是不止一个城市呢？我真的不想要每个城市都有一个单独的网络，我想要一个适用于所有 x 个城市的单一通用模型/网络。但是如何将这些数据输入 LSTM？
假设我对每个城市都有相同的数据，我...
1) 对一个城市的所有数据进行训练，然后是下一个城市，以此类推，直到所有城市都完成。
2) 在日期 t 训练所有城市的数据，然后在 t+1 和 t+2 训练所有城市的数据，以此类推。
3) 完全不同的东西。
有什么想法吗？
我会说选项 1 效果不太好：根据我的经验，该模型要么只适用于你训练的第一个或最后一个模型，这取决于你给算法多少自由来改变权重随着时间的推移（例如学习率）。
你真的需要决定你要预测什么。是单个城市的污染水平吗：每个城市都有哪些特点？
如果您拥有的特征也是真正可以解释目标变量的通用特征，那么同时训练所有城市可能是有意义的。因此，如果您有温度、湿度、该城市的一些交通统计数据等，那么一起训练所有内容可能是有意义的。
我会考虑导致一个目标污染水平的每个样本，如果该样本有足够的信息（基于特征）以将自己与其他城市的样本区分开来，那么该模型应该拾取并利用数据中的这些细微之处。
我可以想到两种选择：
time t并且网络可以预测所有城市的污染t+n（n 是任意地平线；时间越长，准确度越低预言）。t+n污染预测。t但这意味着您的网络可以很好地泛化。为了用你的 LSTM-RNN 进行泛化，你应该考虑在训练期间添加Dropout 。看到这个和这个。