我遇到了一个教程,其中autor使用LSTM网络进行时间序列预测,如下所示:
trainX = numpy.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = numpy.reshape(testX, (testX.shape[0], 1, testX.shape[1]))
model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)
我们同意这个行为中的LSTM就像普通的NN一样(而且没用?),因为LSTM只有一个时间步,没有状态= TRUE,我是对的吗?
答案 0 :(得分:0)
一般来说,你是对的。输入形状应为(窗口长度,特征n)。
但是,将输入转换为您上面描述的方式已经取得了一些成功。下面是一份白皮书,他们通过这样做可以击败许多表现最佳的算法,他们使用卷积1D层通过单独的输入来处理时间序列模式。
LSTM Fully Convolutional Networks for Time Series Classification