Question

我有：

多个时间序列为INPUT
预测OUTPUT中的时间序列点

如何确保模型通过使用输入中所有时间序列之间的依赖关系来预测数据？

编辑1
我目前的模特：

model = Sequential()
model.add(keras.layers.LSTM(hidden_nodes, input_dim=num_features, input_length=window, consume_less="mem"))
model.add(keras.layers.Dense(num_features, activation='sigmoid'))
optimizer = keras.optimizers.SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)

Answer 1

默认情况下，keras中的LSTM层（以及任何其他类型的循环层）都不是有状态的，因此每次将新输入馈入网络时都会重置状态。您的代码使用此默认版本。如果需要，可以通过在LSTM层中指定stateful=True使其成为有状态，然后不会重置状态。您可以详细了解相关语法here，this blog post提供有关有状态模式的更多信息。

以下是相应语法的示例，取自here：

trainX = numpy.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))
testX = numpy.reshape(testX, (testX.shape[0], testX.shape[1], 1))
# create and fit the LSTM network
batch_size = 1
model = Sequential()
model.add(LSTM(4, batch_input_shape=(batch_size, look_back, 1), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
for i in range(100):
    model.fit(trainX, trainY, epochs=1, batch_size=batch_size, verbose=2, shuffle=False)
    model.reset_states()
# make predictions
trainPredict = model.predict(trainX, batch_size=batch_size)
model.reset_states()
testPredict = model.predict(testX, batch_size=batch_size)

LSTM-Keras是否考虑了时间序列之间的依赖关系？

1 个答案: