使用 LSTM 或其他方法预测下一个值？
Next value prediction using LSTM or other methods?
我有一个包含许多患者健康测量数据的 csv 文件。每个患者都有不同数量的测量值。 （有些病人经常来，有些病人不来。）我正在尝试做一个下一个值预测模型来预测患者发生特定事件的风险。
由于这些值都是按时间顺序排列的，所以我尝试使用 LSTM 进行预测。此外，我将所有患者的健康数据连接成一个长列。 （见附件）
what I am feeding into the LSTM
我的 LSTM 模型生成了股票价格预测等结果。
kind of like my result
但我想知道是否有更好的方法。我认为我目前连接所有患者数据的方法很奇怪。由于所有患者的测量次数不同，我不确定是否可以将它们并行输入 LSTM 模型。或者也许我应该使用随机森林，因为每个患者的数据都有独特的分布？谢谢！
关于你的数据长度不同，你可以使用Padding和Masking使你的数据长度均匀（Description of Padding/Masking with Tensorflow)。使用LSTM预测基于序列的数据通常是一个好方法，但我建议你查看 GRU 而不是 LSTM，并查看 Transformer 架构，因为现在它们比 LSTM 有很多优势。
我有一个包含许多患者健康测量数据的 csv 文件。每个患者都有不同数量的测量值。 （有些病人经常来，有些病人不来。）我正在尝试做一个下一个值预测模型来预测患者发生特定事件的风险。 由于这些值都是按时间顺序排列的，所以我尝试使用 LSTM 进行预测。此外，我将所有患者的健康数据连接成一个长列。 （见附件）
what I am feeding into the LSTM
我的 LSTM 模型生成了股票价格预测等结果。
kind of like my result
但我想知道是否有更好的方法。我认为我目前连接所有患者数据的方法很奇怪。由于所有患者的测量次数不同，我不确定是否可以将它们并行输入 LSTM 模型。或者也许我应该使用随机森林，因为每个患者的数据都有独特的分布？谢谢！
关于你的数据长度不同，你可以使用Padding和Masking使你的数据长度均匀（Description of Padding/Masking with Tensorflow)。使用LSTM预测基于序列的数据通常是一个好方法，但我建议你查看 GRU 而不是 LSTM，并查看 Transformer 架构，因为现在它们比 LSTM 有很多优势。