5.5 LSTM、GRU、1D CNN 比較

範例程式：

時間序列任務常會遇到模型選擇問題：該用 LSTM、GRU，還是 1D CNN？本篇用同一份序列分類資料比較三種模型的 accuracy、參數量與訓練時間，幫助讀者建立務實的選型判斷。

1. 學習目標

這篇不是要證明哪個模型永遠最好，而是建立比較方法。不同資料集的結果會不同，因此應該在同一份資料、相同切分、相同評估指標下比較，而不是只憑模型名稱決定。

2. 三種模型的直覺差異

模型	直覺	常見適用情境
LSTM	逐步讀取序列，保留較完整的長期狀態	長期依賴較明顯的序列
GRU	類似 LSTM，但結構較簡潔	需要 RNN 能力但想減少參數
1D CNN	用卷積擷取局部時間 pattern	局部形狀、尖峰、短期 pattern 明顯

3. 範例資料

Notebook 使用合成的三類時間序列資料：trend、periodic 與 spike。這份資料同時包含趨勢、週期與局部事件，適合比較 RNN 與 1D CNN 的基本表現。

4. 實作流程

Notebook 會固定同一份 train/validation/test split，分別建立 LSTM、GRU 與 1D CNN 模型。每個模型使用相同 loss 與 metrics，訓練後整理 validation/test accuracy、參數量與訓練秒數。

5. 如何套用自己的資料？

套用到自己的任務時，先建立一份固定切分資料，並先決定主要指標。例如分類可用 accuracy、F1、AUC；預測可用 MAE、RMSE、MAPE。接著用同樣的前處理與切分比較多個模型，避免資料切分差異影響結論。

6. 選型建議

如果局部 pattern 很明顯，1D CNN 通常值得先試，因為訓練快、結構簡潔。如果序列前後關係和長期狀態重要，LSTM 或 GRU 會比較自然。若 LSTM 和 GRU 表現接近，GRU 常是較輕量的選擇。

7. 小結

模型比較要回到任務、資料與指標。LSTM、GRU、1D CNN 都是時間序列任務的常用工具，真正可靠的做法是在同一資料流程下建立 baseline，再根據結果與部署限制做選擇。