我有一个LSTM模型(keras),它接收20
个6
变量的4
值作为输入,并预测这些变量3
的未来past_time_steps = 6
future_time_steps = 4
inputs = Input(shape=(20,past_time_steps))
m = LSTM(hid, return_sequences=True)(inputs)
m = Dropout(0.5)(m)
m = LSTM(hid)(m)
m = Dropout(0.5)(m)
outputA = Dense(future_time_steps, activation='linear', W_constraint=nonneg())(m)
outputB = Dense(future_time_steps, activation='linear', W_constraint=nonneg())(m)
outputC = Dense(future_time_steps, activation='linear', W_constraint=nonneg())(m)
m = Model(inputs=[inputs], outputs=[outputA, outputB, outputC])
m.compile(optimizer='adam', loss='mae')
m.fit(x,[y1,y2, y2])
值。换句话说,我有6个时间序列,我试图用过去的20个值来预测它们的未来值。基本代码是:
(500,20,6)
因此,输入是一个形状为500
的numpy矩阵,其中0,1,2,3,4,5
表示样本数(例如训练时间序列)。
现在,我有了新的数据,所以对于每个时间序列,我都有一个分类变量(可以有6个值:(500,21,6)
)。如何将此信息添加到模型中?我可以添加另一个使用此变量的图层吗?我应该在时间序列的开头/结尾填充此变量,以便我有一个形状为import random
x = list(range(1,101))
indices = list(range(len(x)))
change = set(random.sample(indices, 10)) #randomly select 10 indices to change
x = [j+random.choice([-1,1]) if i in change else j for i,j in enumerate(x)]
的输入矩阵吗?
答案 0 :(得分:0)
One_hot_encoded分类变量,并以与其他时间数据相同的方式对其进行预处理。您的时间步不受此新数据的影响。受影响的只是变量数。
答案 1 :(得分:0)
该主题可能会让您感兴趣:Adding Features To Time Series Model LSTM。
您基本上有3种可能的方式:
让我们以来自两个不同城市的天气数据为例:巴黎和旧金山。您想根据历史数据预测下一个温度。但同时,您预计天气会因城市而异。您可以:
我写了一个库,以辅助输入为条件。它抽象了所有复杂性,并被设计为尽可能易于使用:
https://github.com/philipperemy/cond_rnn/
实现是在tensorflow(> = 1.13.1)和Keras中实现的。
希望有帮助!