機器學習是一種強大的技術，它通過開發算法從其經驗中學習和改進。算法是計算、訪問和處理輸入數據并預測結果的程序。機器學習模型旨在計算復雜的計算和學習模式，并在此基礎上提供相關的輸出。該模型適用于數字、二元、多變量、分類和相關數據集等普通數據集。

然而，截至今天，由于理解輸入數據的上下文的局限性，大多數機器學習模型都面臨著預測時間序列數據的挑戰。這就是遞歸神經網絡，其中長短期記憶網絡（LSTM）——一種人工神經網絡。LSTM 可以識別數據序列中的模式，例如來自傳感器、文本、基因組、手寫和口語的數字時間序列數據。

什么是 LSTM 網絡？

LSTM – 長期短期記憶網絡，是一種特殊類型的RNN（遞歸神經網絡）。RNN是一個神經網絡，它將前一個狀態的輸出作為下一階段的輸入，這樣它就可以記住前一個狀態的數據。它將借助先前的數據精確預測最終輸出。

然而，RNN存在梯度消失問題，即信息在較長的序列中褪色，因此在較長時間內持久化數據時面臨困難。此問題可以通過 LSTM 解決。LSTM已經表現出擺脫了長期依賴問題并消除了RNN的缺點。

LSTM的重要性

在這個現代時代，機器正在使用機器學習智能地執行任務。現在，每個行業都有大量的設備歷史數據，這些數據必須以機器學習模型能夠有效預測數據的方式使用。

作為人類，我們總是非常規地選擇一些重要的關鍵字，而忽略其他有助于我們理解任何句子或段落上下文的單詞。例如，在閱讀電影評論時，大腦只試圖記住或專注于一些關鍵詞，如“動感十足”、“令人嘆為觀止”、“無聊”和“驚人”。每次我們不必思考，記住并重新開始。LSTM的行為也類似。此外，LSTM 專為傳統神經網絡失敗的順序數據集而設計。LSTM 允許數據持久化。

在每個行業中，當局都會根據過去的重要數據做出任何決定，這將提供更好的結果。與機器學習模型相同，與其他模型相比，LSTM 展示了準確的結果，因為它在整個模型學習過程中只記住相關數據。它可以輕松保留重要信息以進行預測。

LSTM 如何工作？

LSTM 使用一系列不同的邏輯門。借助這一點，它可以調節信息流并解決RNN中的消失梯度問題。梯度消失問題發生在訓練機器學習模型的反向傳播期間。梯度是可用于更新神經網絡權重的值。在反向傳播時，梯度將變得如此之小，以至于在更新權重方面可以忽略不計。

這最終將停止學習該層，以便這些層不會學習。因此，RNN 會在更長的時間內忘記數據，因為 RNN 只有短期記憶。

LSTM和RNN在控制流方面是相似的。兩者都在傳遞和向前傳播時處理信息。唯一的區別是每個單元格內的操作。LSTM的主要概念是在整個網絡中傳遞相關信息。根據輸入，它會將該數據添加到內存中，如果不需要數據，則忘記或刪除數據，如果信息不相關，則忽略信息。這就是 LSTM 不僅將信息傳遞到下一個狀態，而且還為以后的狀態保留數據的方式。

LSTM的工作分為三個部分，每個部分執行以下單獨的功能：

第一部分確定來自前一個時間戳的信息是相關的，然后記住它，如果它不相關，它可以被遺忘。這部分稱為遺忘門。

在第二部分中，單元格嘗試從單元格的當前輸入中學習新數據，這稱為輸入門。

最后，在第三部分中，單元格將更新的信息從當前時間戳傳遞到下一個時間戳。這部分稱為輸出門。

這就是 LSTM 在訓練過程中有選擇地忘記和記住信息的方式。

LSTM的應用

工業物聯網：每個行業的深刻本質是始終如一地提高產品質量。在制造單位中，有許多設備、傳感器和機器，每個設備、傳感器和機器都有大量的數據。這些受到的關注非常少，這可能導致該行業陷入磨損情況。

LSTM將在上述情況下發揮至關重要的作用。基于執行器、振動、溫度、噪聲、用電量等不同參數的歷史數據，該模型可以提前預測機器的早期維護和異常檢測。這將有助于制造單元進行及時維護。最終，它將提高效率并減少機器的停機時間。提高設備的利用率很有用。因此，生產產品的時間更少，數量更多。對于大型電力行業，它可以使用過去的電力供應數據預測特定州、城市或街道即將到來的電力需求。電力負荷預測將有助于減輕能源損失，并根據預測管理和傳輸電力。

家庭自動化：在家庭自動化中，有兩個最重要的事情：

準確性

處理和執行操作的速度

在智能建筑中，HVAC供暖，通風和空調系統將有助于預測能源消耗以及室內空氣溫度，并根據外部天氣進行控制。基于人類行為，設備應執行預定義的任務，其中可以通過逐個分析視頻幀來識別人類活動。在這里，LSTM將根據早期行動精確預測下一步行動。

任何與音頻分析相關的應用程序，例如預測用于竊賊檢測的玻璃破碎、語音識別和預測語音命令。這些具有基于時間序列的數據，其中每個信息都帶有其頻率和時間。

在語音命令或語音識別中，了解 LSTM 的優勢的實際上下文非常重要。

汽車：每個行業都有關于各自市場的大量數據，借助這些數據，LSTM將分析即將到來的市場趨勢并預測即將到來的產品需求。

這將幫助汽車制造商根據需求預測管理其供應鏈和庫存，并制定計劃以加速需求并減少不必要的成本。它可以幫助組織根據市場需求發現新的機會。它還向零售客戶推薦使用過去訂單的相關產品，從而提供更好的用戶體驗并促進銷售。LSTM 在預測時間序列數據方面令人滿意。

醫療保健：在醫療保健行業中，心跳、神經模式、血壓和氧氣水平對于嚴重入院的患者至關重要。如果這些參數中的任何一個發生變化，那么患者可能會死亡。這些參數應在早期階段準確預測，這有助于相應地治療患者。

最重要的是，所有參數都具有LSTM優于其他模型的時間序列數據。它還可以使用健康報告提前診斷任何健康問題，例如檢測癌癥或任何重大疾病。在智能可穿戴設備的幫助下，它可以提前預測心臟病發作，并向相關人員發送其健康狀況的信息。它會建議根據他們的健康狀況咨詢醫生，并提醒他們定期檢查。

審核編輯：郭婷