Question

我想用RNN或LSTM预测一些与空间天气有关的指数（kp，Dst等）。尽管精度很差，但可以构建多对一模型。但是，我的目标是通过最近3天的观察来预测将来的7天。

问题是，在功能上可以构建输出长度（或时间步长）比输入长的RNN吗？

任何帮助将不胜感激！请帮我。

Answer 1

可以。一种实现方法是使用所谓的“序列到序列”架构。它使您可以输入数据点序列并预测值序列。它通过使用固定大小的矢量（通常是LSTM的最后一个隐藏状态）对输入进行编码，然后将其用作展开了n个时间步长的另一个LSTM的开始状态来工作。如果您具有要预测的所有7个步骤的标签，则可以使用以下模型：解码器将每个步骤0 <= t 的标签作为输入作为输入。

encoder_inputs = Input(shape=(None, num_encoder_tokens))
encoder = LSTM(latent_dim, return_state=True)
encoder_outputs, state_h, state_c = encoder(encoder_inputs)
encoder_states = [state_h, state_c]

decoder_inputs = Input(shape=(None, num_decoder_tokens))
decoder_lstm = LSTM(latent_dim, return_sequences=True, return_state=True)
decoder_outputs, _, _ = decoder_lstm(decoder_inputs,
                                     initial_state=encoder_states)
decoder_dense = Dense(num_decoder_tokens, activation='softmax')
decoder_outputs = decoder_dense(decoder_outputs)

model = Model([encoder_inputs, decoder_inputs], decoder_outputs)

如您所见，第一个LSTM用len num_encoder_token编码序列，我们仅保留其最后状态[encoder_states = [state_h, state_c]]并将其用作第二个LSTM（decoder_lstm）的初始化。然后输入标签，并尝试预测标签向量右移1。

例如，如果您有第1天，第2天，第3天作为输入序列，并且您要预测第4天，第5天，...，第10天，那么您会将第1天的编码器馈入第3天，并使用第4天...第9天作为输入用于解码器。这样，解码器标签将为day5 ... day10。

您可以在https://blog.keras.io/a-ten-minute-introduction-to-sequence-to-sequence-learning-in-keras.html上了解有关这种模型的更多信息。

keras是否可以延长输出长度？

1 个答案: