自动化

数据采集

网络服务器将部署在 Google Cloud Run 上，每小时重复从 Iron Hand 获取相关数据。它将以可读格式上传 apy 数据。

数据输入和预处理

为了启动模型训练过程，将加载 GCS 中的可读文件并进行预处理，以便为训练准备高质量的数据。预处理阶段将清理数据、进行特征工程以生成新特征来增强模型的预测能力、对数据进行归一化处理、将数据分成训练集、验证集和测试集等。

超参数调整

调整超参数，如神经元数量、激活函数、学习率、批量大小、损失函数、epochs 等，以提高模型的性能。

模型训练

在这一阶段，定义 LSTM 模型，对其进行训练、预测并评估模型。

模型评估

使用测试集评估模型的性能，确保模型的性能超过一定的阈值，并将其保存到 GCS 中。

模型部署

将保存的模型部署到预测数据中。

持续监控

监控已部署模型的健康状况和性能，并对模型性能的任何异常或漂移设置警报。

反馈与再训练

如果监控阶段检测到漂移或性能下降，则重新训练模型。