Question

我想将时间序列输入LSTM以执行预测。可以说我有10000个样本。现在，为了将时间序列输入到我的LSTM中，我将其重塑为（样本，时间步长，功能）。就我而言，我使用timesteps = 50来创建子序列并执行t + 1的预测。所以我以x.shape=(9950,50,1)结尾。到目前为止一切顺利。

我的模特

model= Sequential()
model.add(LSTM(50,return_sequences=True,input_shape=(50,1)))
model.add(Dense(out_dim, activation = 'sigmoid'))
model.compile(loss='mse', optimizer='adam')

现在我要创建人工功能，例如我想将信号的fft用作功能。如何将其输入LSTM？仅计算fft，将其附加到Dataframe并一起重塑形状是否合法，所以我最终得到了(9950,50,2)？

问题基本上是：

如何将人工创建的功能输入LSTM？
滚动统计信息或关联功能的方法是否相同？

预先感谢

Answer 1

您根据输入数据计算出的任何额外功能只是另一个功能，所以：

您可以像系列的另一个功能input_shape=(50, 1+extra_features)一样喂食它，并且必须在将其传递给模型之前将它们串联起来。所以是的，输入形状现在为(9950, 50, 2)。
是的，您可以预先计算该功能（例如移动平均线），然后将其与原始输入连接起来。

您还可以编写自定义图层来计算模型中的这些特征，但是模型每次都会对其进行计算。如果您先验计算，则优点是可以保存/缓存它。

如果您具有非时间序列功能，则现在需要移至functional API并具有多个输入：1是时间序列，而另一个则不是：

series_in = Input(shape=(50, 2))
other_in = Input(shape(extra_features,)) # not a timeseries just a vector
# An example graph
lstm_out = LSTM(128)(series_in)
merged = concatenate([lstm_out, other_in])
out = Dense(out_dim, activation='sigmoid')(merged)
model = Model([series_in, other_in], out)
model.compile(...)

在这种情况下，我们有2个模型输入，可以在任何点使用辅助功能。在该示例中，我在最终的Dense层之前合并以辅助谓词以及LSTM提取的时间序列特征。

时间序列LSTM的特征提取

1 个答案: