我正在使用Keras的顺序模型和LSTM层来预测时间序列数据的未来值。为此，我在某个时间点将数据分成了训练数据和验证数据。时间序列数据呈现正向趋势，因此我的训练数据的平均值低于验证数据，因为我使用了较新的数据作为验证数据。

初始模型每次都预测0.5，这是一个糟糕的模型。在下一轮训练中，模型将通过训练数据学习，并平均预测低于0.5的值，这会降低训练损失但增加验证损失。只有经过很多轮训练，我才会看到验证损失开始下降的趋势，而在更多的轮次之后，验证损失第一次会低于最初那个总是预测0.5的糟糕模型。

我使用Keras调参器和Hyperband调参器进行超参数验证。这对于这种时间序列数据不起作用，因为在最初几轮中，所有模型的验证损失都会高于初始的0.5模型。

在使用Keras并将训练和验证数据分开的情况下，有没有处理时间序列中趋势的方法？我无法打乱时间序列然后再分割数据，因为我真的希望使用较新的数据进行验证。

回答：

你可以尝试对函数进行差分处理，这样模型将预测每个时间步相对于前一个时间步的值变化：

import pandas as pdimport numpy as npdef difference_column(df, target_col):    yesterday = df.loc[:,target_col].shift()    return yesterday.diff()df = pd.DataFrame(range(1,100), columns = ['target_var']) * 2df_diff = difference_column(df, 'target_var')print(df, df_diff)

输出结果：

    target_var0            21            42            63            84           10..         ...94         19095         19296         19497         19698         198[99 rows x 1 columns] 0     NaN1     NaN2     2.03     2.04     2.0     ... 94    2.095    2.096    2.097    2.098    2.0Name: target_var, Length: 99, dtype: float64

完成这一初步实验后，请访问这里