我正在阅读在Keras中使用LSTM进行多元时间序列预测的教程 https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/#comment-442845
我已经阅读了整个教程，并陷入了如下问题-
在本教程中，训练和测试拆分具有8个功能，分别是：“污染”，“露水”，“温度”，“压力”，“ wnd_dir”，“ wnd_spd”，“雪”和“雨”步骤“ t-1”，而输出特征在当前步骤“ t”为“污染”。 这是因为，给定前一小时/时间步骤“ t-1”的污染和天气测量结果，将数据集作为监督学习问题的框架是关于预测当前小时/时间步骤“ t”的“污染”。 / p>
将模型拟合到训练和测试数据分割之后，如果我要对具有7个特征的新数据集进行预测怎么办，因为它不具有“污染”特征，而我只想对此预测使用其他7个功能。
感谢您的帮助！
如何处理这种情况？ （而其余7个功能保持不变）
编辑- 假设我的数据集在训练/拟合模型时具有以下3个特征： shop_number，item_number，units_ofsold
之后，我训练了LSTM模型，得到了具有以下特征的数据集： “ shop_number”和“ item_number”。 数据集没有“ number_of_units_sold”。
“ LSTM”中的“ input_shape”参数在训练时具有1个时间步长和3个特征。 但是在预测时，我只有1个时间步长，但只有2个特征（因为我必须预测'number_of_units_sold'）。
那我应该怎么做？
答案 0 :(得分：0)
如果污染是最后一个特征：
X = original_data[:,:,:-1]
Y = original_data[:,:,-1:]
如果污染是首要特征
X = original_data[:,:,1:]
Y = original_data[:,:,:1]
其他
i = index_of_pollution_feature
X = np.concatenate([original_data[:,:,:i], original_data[:,:,i+1:],axis=-1)
Y = original_data[:,:,i:i+1]
使用return_sequences=True，stative=False制作模型，仅此而已。
不要使用Flatten，Global池或任何删除步长维度的东西。
如果您根本没有任何污染数据需要培训，那么您就不能这样做。