用于单变量时间序列模型参数识别的LSTM是否需全步长时移？

安全阿岳

2026-7-29

问题

我用LSTM深度学习方法识别生成单变量时间序列的数学模型参数，这些参数会影响时间序列的振荡频率与形态。目前搭建的LSTM模型输入是1秒时长的时间序列（含1024个样本），模型结构如下：

DLmodel = Sequential()
DLmodel.add(LSTM(units=Nb_input, return_sequences=True, input_shape=(None, Nb_input), activation='sigmoid'))  
DLmodel.add(Dropout(0.3))
DLmodel.add(Dense(Nb_input // 4, activation="relu", kernel_initializer="uniform"))
DLmodel.add(Dropout(0.3))
DLmodel.add(Dense(Nb_input // 8, activation="relu", kernel_initializer="uniform"))
DLmodel.add(Dropout(0.3)) 
DLmodel.add(Dense(Nb_output, activation="linear", kernel_initializer="uniform"))

其中参数定义：

Nb_input = number of sample  # 即1024
Nb_output = number of parameter to identify  # 即3

我的训练思路如下：

while 1:
    label = randomly choose 3 model parameters N times (dimension = 1 x N x 3) 
    signal = generate N signal of 5 seconds (dimension = 1 x N x 1024) 
    
    # 通过滑动窗口扩充训练集
    training set = windowed signal (dimension = 1 x N*5 x 1024)
    label = copy model parameters(dimension = 1 x N*5 x 3) 
    
    Fit the LSTM
    
    Test LSTM on new data

核心疑问：训练LSTM时，输入是否必须采用1样本步长时移构建训练集？还是可以采用完整窗口（1024样本）步长时移？另外，窗口起始处的事件与窗口末尾处的事件，对LSTM而言是否等效？

回答

不是必须用1样本步长的滑动窗口，两种步长方式都可行，核心看任务需求和数据特性：
1. 1样本步长：会生成大量重叠的训练样本，能让模型更充分学习时间序列的连续细节，比如振荡的过渡形态。但缺点是样本冗余度高，训练计算量会大很多，还可能引入过拟合风险——毕竟很多样本高度相似。
2. 完整窗口步长：生成的样本完全不重叠，每个样本对应时间序列上的独立片段。这种方式训练效率更高，没有冗余，但模型能学习到的时间连续性信息会少一些，不过如果你的5秒信号里已经包含足够多的振荡周期，也能覆盖参数对应的形态特征。
窗口起始和末尾的事件对LSTM不等效。LSTM是顺序模型，对输入序列的时序信息敏感，窗口里的事件顺序会影响它提取的特征。比如一个振荡信号，窗口起始在波峰和起始在波谷，输入给LSTM的序列时序完全不同，模型提取的特征自然有差异。不过因为你的任务是识别生成信号的全局模型参数（参数决定整个信号的振荡特性），只要窗口包含足够多的振荡周期，不管窗口起始位置在哪，模型最终应该能学到参数对应的全局特征——只是用1样本步长的话，模型会接触到更多不同起始位置的样本，对参数的鲁棒性识别可能更好。

内容的提问来源于stack exchange，提问作者ymmx