我想预测球落下的轨迹。那条轨迹是抛物线的。我知道LSTM对此可能太多了（即更简单的方法就足够了）。 我认为我们可以在最后使用2个LSTM图层和一个Dense图层。
我想要的最终结果是给模型3高度h0，h1，h2并让它预测h3。然后，我想给它h1，h2和先前输出的h3来预测h4，依此类推，直到我可以预测整个轨迹。
首先，第一个LSTM层的输入形状是什么？ 它是input_shape =（3,1）吗？ 其次，LSTM是否能够预测抛物线路径？
我几乎是一条扁平线，而不是抛物线，我想排除我误解如何喂食和塑造输入的可能性。
谢谢
答案 0 :(得分：2)
输入形状的格式为(samples, timeSteps, features)。
您唯一的功能是“身高”，所以features = 1
由于您要输入不同长度的序列，因此可以使用timeSteps = None。
因此，您的input_shape可能是(None, 1)
由于我们将在下面使用stateful=True图层，因此我们可以使用batch_input_shape=(1,None,1)。选择所需的“样本”数量。
您的模型确实可以预测轨迹，但可能需要不止一层。 （关于有多少层和单元取决于知道LSTM内部匹配如何工作的确切答案。）
培训
现在，首先你需要训练你的网络（只有这样才能开始预测好事）。
对于训练，假设您有一个[h1,h2,h3,h4,h5,h6...]序列，正确序列中的真值。 （我建议你实际上有很多序列（样本），所以你的模型学得更好）。
对于此序列，您希望输出预测下一步，然后您的目标将为[h2,h3,h4,h5,h6,h7...]
因此，假设您有一个data数组，其形状为(manySequences, steps, 1)，您可以：
x_train = data[:,:-1,:]
y_train = data[:,1:,:]
现在，您的图层应该使用return_sequences=True。 （每个输入步骤都会产生一个输出步骤）。然后用这些数据训练模型。
此时，无论您使用stateful=True还是stateful=False都不是很相关。 （但如果是真的，那么在每个纪元和序列之前总是需要model.reset_state()）
<强>测算：
对于预测，您可以在模型中使用stateful=True。这意味着当您输入h1时，它将生成h2。当您输入h2时，它会记住“当前速度”（模型的state）以预测正确的h3。
（在训练阶段，有这个并不重要，因为你一次输入整个序列。所以在长序列的步骤之间理解速度）。
您可以将方法reset_states()设为set_current_speed_to(0)。只要您要输入的步骤是序列中的第一步，您就会使用它。
然后你可以做这样的循环：
model.reset_states() #make speed = 0
nextH = someValueWithShape((1,1,1))
predictions = [nextH]
for i in range(steps):
nextH = model.predict(nextH)
predictions.append(nextH)
有an example here，但使用了两个功能。不同之处在于我使用了两个模型，一个用于培训，一个用于预测，但您只能使用return_sequences=True和stateful=True一个模型（开始时不要忘记reset_states()每个时代的训练）。