用深度学习做时间序列预测，如何选择数据标准化方法呢？

[Fluyod]

有一批时间序列数据，记为 x，shape 为 [n(time), n(location), n(feature)]，分别为时间、地点和特征维度，例如不同地点不同时间的降雨量、气温、噪音等。用简单的 LSTM 做时间序列预测，LOSS 与评价指标为 RMSE 。按理说输入数据前需要对数据做标准化处理，例如 min-max 或者 z-score

1 、应该在哪个维度上对数据进行标准化处理呢？例如 z-score: x = np.mean(x, axis = 0) / np.std(x, axis = 0) x = np.mean(x, axis = (0, 1)) / np.std(x, axis = (0, 1)) x = np.mean(x) / np.std(x) 以上哪种是合理的呢？

2 、在实际尝试中，我用了 min-max 、z-score 、取对数、取 sigmoid 等多种标准化方法，对应的输出层激活函数也试过 sigmoid, tanh 或者不使用激活函数，发现要么 loss 压根不下降，要么 loss 可以下降但错误率很高，反而用原始数据输入能得到比较好的结果（优于 ARIMA 等传统模型），很快模型就收敛了，这是为什么呢？不对时间序列做任何预处理就扔进网络，是可以接受的吗

[w1573007]

要对每一个特征分别做归一化，arima 模型比较受数据集的波动影响。连人都没有。老铁 arima 的代码可否看看，python 版的没写出来

[shm7]

如果真的不会，可以去翻翻 sklearn 的文档，里面有经过业界验证的各种预处理工具，包括 norm 。