Question

我想基于两个不同的时间序列X2和X3预测n点的时间序列X1，每个时间序列也分别为n点。这些时间序列相互作用，所以我希望使用与组合图像以产生另一幅图像类似的方法。

到目前为止，我已经成功实现了一个自动编码器，以学习并返回所有时间序列（X1，X2，X3）。当我试图建立一个神经网络以仅使用X2和X3来预测X1（3000个单位）时，该模型无法编译，并且出现错误：

Error when checking target: expected sequential_9 to have 2 dimensions, but got array with shape (61, 3000, 1, 1)

以不同的组合在flatten_x或dense_x处中断。 如果我的输出只有一个单位而不是3000，它就可以工作。

我尝试过的网络将具有以下几层：

Layer (type)                 Output Shape              Param #   
=================================================================
input_8 (InputLayer)         (None, 3000, 2, 1)        0         
_________________________________________________________________
conv2d_10 (Conv2D)           (None, 3000, 2, 32)       96        
_________________________________________________________________
max_pooling2d_7 (MaxPooling2 (None, 1500, 2, 32)       0         
_________________________________________________________________
flatten_7 (Flatten)          (None, 96000)             0         
_________________________________________________________________
dense_6 (Dense)              (None, 3000, 1, 32)

这是我用来创建网络的代码：

network = Sequential((
    Conv2D(filters=32, kernel_size=(1,2), activation='relu', input_shape=(x, y, inChannel)),
    MaxPooling2D(pool_size = (2, 1)),
    Flatten(),
    Dense(3000, activation='relu'),
))
network.compile(loss='mean_squared_error', optimizer = RMSprop())

输入的形状为（61，3000，2，1）。

我应该在某个地方指定期望的输入/输出，但是我没有这样做吗？进行一些数据转换？也许使用其他架构？

感谢所有建议！

Answer 1

您编码的网络没有您想要的架构

如果您打印出

network.summary()

您得到

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_6 (Conv2D)            (None, 3000, 1, 32)       96        
_________________________________________________________________
max_pooling2d_6 (MaxPooling2 (None, 1500, 1, 32)       0         
_________________________________________________________________
flatten_6 (Flatten)          (None, 48000)             0         
_________________________________________________________________
dense_6 (Dense)              (None, 3000)              144003000 
=================================================================
Total params: 144,003,096
Trainable params: 144,003,096
Non-trainable params: 0

因此，您必须更改架构以获得所需的输出形状。

神经网络可以根据其他时间序列预测时间序列吗？

1 个答案: