Question

目标是预测87601次步（10年）和9个目标的时间序列Y.输入特征X（外生输入）是11个87600次步长的时间序列。输出还有一个时间步长，因为这是初始值。时间步t t的输出Yt取决于输入Xt和前一输出Yt-1。

因此，模型应如下所示：https://www.cpume.com/question/fgshnonz-intel-icc-compile-c-code-cause-error.html

我只能找到这个帖子：Model layout。我尝试用Keras实现这个：

def build_model():
    # Input layers
    input_x = layers.Input(shape=(features,), name='input_x')
    input_y = layers.Input(shape=(targets,), name='input_y-1')

    # Merge two inputs
    merge = layers.concatenate([input_x,input_y], name='merge')

    # Normalise input
    norm = layers.Lambda(normalise, name='scale')(merge)

    # Hidden layers
    x = layers.Dense(128, input_shape=(features,))(norm)

    # Output layer
    output = layers.Dense(targets, activation='relu', name='output')(x)

    model = Model(inputs=[input_x,input_y], outputs=output)
    model.compile(loss='mean_squared_error', optimizer=Adam())

    return model

def make_prediction(model, X, y):
    y_pred = [y[0,None,:]]
    for i in range(len(X)):
        y_pred.append(model.predict([X[i,None,:],y_pred[i]]))
    y_pred = np.asarray(y_pred)
    y_pred = y_pred.reshape(y_pred.shape[0],y_pred.shape[2])
    return y_pred

# Fit
model = build_model()
model.fit([X_train, y_train[:-1]], [y_train[1:]]], epochs=200, 
          batch_size=24, shuffle=False)

# Predict
y_hat = make_prediction(model, X_train, y_train)

这是有效的，但这不是我想要实现的，因为有LSTM: How to feed the output back to the input? #4068。因此，该模型没有学习如何校正反馈输出中的误差，这导致在预测输出的误差在每个时间步累积时导致精度差。

Keras是否有办法在训练阶段实施输出输入反馈？此外，由于Y的初始值始终是已知的，我也想将其提供给网络。

Keras：在下一个时间步将输出作为输入

0 个答案: