簡介
Long Short Term Memory (LSTM) 是一種對時序有記憶的神經網絡。簡單來講，你可以幻想它是一種有短暫及長期記憶的細胞。只要你不斷按順序地訓練它，日子有功，它就會記住事物的先後次序（例如：你每次都用 A-B-C 的順序去訓練它，以後它只要見到 A，就會想起下一個是 B）。
這種神經網絡，對自然語言處理 (Natural Language Processing) 特別有用：因為它能記住句子的先後順序，繼而找出代名詞原本的意思。 例如「小明去了踩單車，他覺得很開心」這一句中，使用 LSTM，系統就能運用短暫記憶，找出「他」所指的主語，是句子開頭的「小明」。
除了 NLP 之外，LSTM 還特別適合用來預測有規律的時序資料 (time-series data)。例如假設每年天氣都是有四季，而且每年氣温都差不多的話，LSTM 就能找出這個潛在的規律，從而推算出將來某月的氣温大約會是多少。還有，通訊系統的訊號、看似沒有規律的雜訊等等，也非常適合用 LSTM 來找出它的潛在規律。
是次實驗，我會使用新加坡的氣温歷史數據，訓練 LSTM，試試到底它能否有效預測將來的温度。不過，由於新加坡沒有四季，而且氣温有可能隨雨量及雲量影響，所以準繩度理應不會太高。但怎樣也好，姑且一試無妨。
---
幾個重要的變數
是次實驗，我用了這些變數：
- 原資料的長度為 466 個數據。
- 我把資料切割成 448 份 [x1 x2 x3 ... x16 x17 x18]，然後把期望目標設為 [x19]
換句話說，我把頭 18 個月的數據進 LSTM，然後期望它會估計到第 19 個月的氣温，
而這件事會重覆 448 次。 - 我把 70% 的資料用作訓練，30% 用作驗證。
- 我使用了 SciKit 的 MinMaxScaler，將所有輸入輸出數據，都以 fit_transform 正規化，
之後，估算完成後，我再用 inverse_transform 還原。
關於 LSTM 的變數，我設定成：
- 資料維度 (input_size / features / input_dimension) 為 1，因為氣温是一維的資料。
- 次序長度 (sequence_len) 為 18，因為我順序放 18 個月的氣温資料。
- 隱藏層大小 (hidden_size) 為 500，因為我估計會有 500 個特徵值得留意。
- 層數 (num_layers) 為 3，所以會同時有三個短暫記憶的空間。
- 我設定了 batch_first=True，所以資料結構是 (batch, sequence, features)，
也就正乎合 for loop DataLoader 時返回來的資料結構，省回轉來轉去的代碼。
（RNN 全部都有這種選項，因為它的訓練模式與其他相異，
x1 和 x2 是放進同一個 cell，而非像 linear regression 那種，是放進兩個不同 cells。）
關於訓練的變數：
- 訓練包大小 (batch size) 為 20， 因為本人的電腦記憶體較少 ，不適宜大包大包訓練。
- 我運行了 500 個 epoch，因為我發現次數再多， loss 也沒再變少。
- 我使用了 Mean Square Error (MSE) 來做 loss function，兩個氣温相差再平方，很直覺。
---
演示代碼
https://github.com/cmcvista/MLHelloWorld/blob/main/LSTMPyTorch/LSTMTemperaturePrediction.ipynb
---
預測結果
由此可見，單純使用 LSTM 並不太準確。
我估計原因是因為，一來新加坡的氣温變化不大，所以難以準確預測，
二來就是訓練次數不足（或者 optimization strategy 太保守），以至它仍未學足 pattern。
但另一方面，雖然方向估錯，但預測結果的形狀，的確有點像實際數據的形狀。
所以，這也算是一個「有意義的發現」。
---
小結
LSTM 與其他傳統的神經網絡不同，它以 RNN 的形式運作，以致可以認出時間次序。
雖然初步來看，用作預測氣温並不可靠，但用來找出數據的規律，看來也還可以。
---
參考：
[1] - https://stackabuse.com/time-series-prediction-using-lstm-with-pytorch-in-python
