Question

我正在尝试构建一个LSTM Autoencoder来预测时间序列数据。由于我是Python的新手，我在解码部分有错误。我尝试将其构建为here和Keras。我根本无法理解给定例子之间的区别。我现在拥有的代码如下：

问题1：当每个样本有2000个值时，如何选择batch_size和input_dimension？

问题2：如何使LSTM Autoencoder工作（模型和预测）？这不仅仅是模型，而是如何预测？它是从样本10开始直到数据结束的预测？

Mydata总共有1500个样本，我会选择10个时间步长（如果更好的话会更多），每个样本都有2000个值。如果您需要更多信息，我会在以后将它们包括在内。

trainX = np.reshape(data, (1500, 10,2000))

from keras.layers import *
from keras.models import Model
from keras.layers import Input, LSTM, RepeatVector

参数

timesteps=10
input_dim=2000
units=100 #choosen unit number randomly
batch_size=2000 
epochs=20

模型

inpE = Input((timesteps,input_dim)) 
outE = LSTM(units = units, return_sequences=False)(inpE)
encoder = Model(inpE,outE) 
inpD = RepeatVector(timesteps)(outE)
outD1 = LSTM(input_dim, return_sequences=True)(outD
decoder = Model(inpD,outD) 
autoencoder = Model(inpE, outD)
autoencoder.compile(loss='mean_squared_error',
          optimizer='rmsprop',
          metrics=['accuracy'])
autoencoder.fit(trainX, trainX,
      batch_size=batch_size,
      epochs=epochs)
encoderPredictions = encoder.predict(trainX)

Answer 1

我使用的LSTM模型就是这个：

def get_model(n_dimensions):
    inputs = Input(shape=(timesteps, input_dim))
    encoded = LSTM(n_dimensions, return_sequences=False, name="encoder")(inputs)
    decoded = RepeatVector(timesteps)(encoded)
    decoded = LSTM(input_dim, return_sequences=True, name='decoder')(decoded)

    autoencoder = Model(inputs, decoded)
    encoder = Model(inputs, encoded)
    return autoencoder, encoder

autoencoder, encoder = get_model(n_dimensions)
autoencoder.compile(optimizer='rmsprop', loss='mse', 
                    metrics=['acc', 'cosine_proximity'])

history = autoencoder.fit(x, x, batch_size=100, epochs=100)
encoded = encoder.predict(x)

它适用于x大小为(3000, 180, 40)的数据，即3000个样本，timesteps=180和input_dim=40。

用于时间序列预测的LSTM Autoencoder

1 个答案: