我有一些来自多个用户（nUsers）的数据集。每个用户随机抽样（每个用户的非常数nSamples）。每个样本都有许多功能（nFeatures）。 例如：
nUsers = 3 ---＆gt; 3位用户
nSamples = [32,52,21] ---＆gt;第一个用户被采样32次第二个用户被采样52次等。
nFeatures = 10 ---＆gt;每个样本的特征数量恒定。
我希望LSTM根据当前功能和同一用户之前的预测产生当前预测。 我可以使用LSTM层在Keras中做到这一点吗？ 我有两个问题： 1.数据对每个用户都有不同的时间序列。我该怎么办呢？ 2.如何处理将先前的预测添加到当前时间特征空间以进行当前预测？
感谢您的帮助！
答案 0 :(得分：6)
听起来每个用户都是一个序列，因此，用户可能是＆＃34;批量大小＆＃34;为你的问题。首先，nExamples = nUsers。
如果我正确理解你的问题（预测下一个元素），你应该定义一个最大长度＆＃34;回顾＆＃34;。假设您可以预测下一个元素，例如查看前面的7个元素（而不是查看整个序列）。
为此，您应该像这样分开您的数据：
example 1: x[0] = [s0, s1, s2, ..., s6] | y[0] = s7
example 2: x[1] = [s1, s2, s3, ..., s7] | y[1] = s8
其中sn是具有10个要素的示例。
通常，如果您混用用户并不重要。为所有用户创建这些小段并将所有内容放在一起。
这将导致形状像
的数组x.shape -> (BatchSize, 7, 10) -> (BatchSize, 7 step sequences, 10 features)
y.shape -> (BatchSize, 10)
也许你并不意味着预测下一组功能，而只是预测某些功能。在这种情况下，只需将y替换为您想要的值。如果您只需要一个结果，那么可能会导致y.shape -> (BatchSize,)。
现在，如果你确实需要整个序列来预测（而不是前面的n个元素），那么你必须定义最大长度并填充序列。
假设您的最长序列（如您的示例中）为52.然后：
x.shape -> (Users, 52, 10).
然后你必须＆＃34;垫＆＃34;填补空白的序列。
例如，您可以使用零功能填充序列的开头，例如：
x[0] = [s0, s1, s2, ......., s51] -> user with the longest sequence
x[1] = [0 , 0 , s0, s1, ..., s49] -> user with a shorter sequence
或者（我不确定这是否有效，我从未测试过），用零值填充结尾并使用Masking Layer，这是Keras所拥有的＆＃34;可变长度序列＆＃34 ;。您仍然使用固定大小的数组，但在内部它会（？）丢弃零值。