Question

我是深度学习和LSTM（与keras）的新手。我正在尝试解决多步骤时间序列预测问题。我有3个时间序列：A，B和C，我想预测C的值。我正在训练LSTM，提供3个步骤的数据点来预测未来的下3个步骤。输入数据如下所示：

X = [[[A0, B0, C0],[A1, B1, C1],[A2, B2, C2]],[[ ...]]]

尺寸为：(1000, 3, 3)。输出是：

y = [[C3, C4, C5],[C4, C5, C6],...]

尺寸为：(1000, 3)。

我正在使用一个带有1个隐藏层（50个神经元）的简单LSTM。我用keras设置了一个LSTM：

n_features = 3
neurons = 50
ahead = 3
model = Sequential()
model.add(LSTM(input_dim=n_features, output_dim=neurons))
model.add(Dropout(.2))
model.add(Dense(input_dim=neurons, output_dim=ahead))
model.add(Activation('linear'))
model.compile(loss='mae', optimizer='adam')
model.fit(X, y, epochs=50)

此模型运行正常。现在，我也想预测B的值（使用相同的输入）。因此，我尝试以与我具有多种功能的培训类似的方式重塑输出：

 y = [[[B3, C3],[B4, C4],[B5, C5]],[[ ...]]]

以便它具有尺寸：(1000, 3, 2)。但是，这给了我一个错误：

Error when checking target: expected activation_5 to have 2 dimensions, 
but got array with shape (1000, 3, 2)

我猜网络的结构需要改变。我试图修改model.add(Dense(input_dim=neurons, output_dim=ahead))但没有成功。我应该以不同方式重塑y吗？网络结构错了吗？

使用Keras预测多个输出的多步骤

0 个答案: