使用Keras中的专用设置进行时间预测

Question

我正在一个项目中，我必须用y个项来预测一维矢量的未来状态。我正在尝试使用结合LSTM单元和卷积层的ANN设置来执行此操作。我使用的方法基于（pre-release paper）中使用的方法。建议的设置如下：

在图片中c是带有y项的一维矢量。 ANN获取前n个状态作为输入，并生成o个下一个状态作为输出。

当前，我的ANN设置如下：

inputLayer = Input(shape = (n, y))
encoder = LSTM(200)(inputLayer)
x = RepeatVector(1)(encoder)
decoder = LSTM(200, return_sequences=True)(x)
x = Conv1D(y, 4, activation = 'linear', padding = 'same')(decoder)

model = Model(inputLayer, x)

这里n是输入序列的长度，y是状态数组的长度。可以看出，我仅将d向量重复1次，因为我试图预测将来仅1个时间步长。这是设置上述网络的方法吗？

此外，我有一个numpy数组（数据），其形状为（序列，时间步长，状态变量）以进行训练。我试图用这样的生成器将它随机分成几批：

def BatchGenerator(batch_size, n, y, data):
        # Infinite loop.
    while True:
        # Allocate a new array for the batch of input-signals.
        x_shape = (batch_size, n, y)
        x_batch = np.zeros(shape=x_shape, dtype=np.float16)

        # Allocate a new array for the batch of output-signals.
        y_shape = (batch_size, 1, y)
        y_batch = np.zeros(shape=y_shape, dtype=np.float16)

        # Fill the batch with random sequences of data.
        for i in range(batch_size):
            # Select a random sequence
            seq_idx = np.random.randint(data.shape[0])
            # Get a random start-index.
            # This points somewhere into the training-data.
            start_idx = np.random.randint(data.shape[1] - n)
            # Copy the sequences of data starting at this 
            # Each batch inside x_batch has a shape of [n, y]
            x_batch[i,:,:] = data[seq_idx, start_idx:start_idx+n, :]
            # Each batch inside y_batch has a shape of [1, y] (as we predict only 1 time step in advance)
            y_batch[i,:,:] = data[seq_idx, start_idx+n, :]

        yield (x_batch, y_batch)

问题是，如果我使用的batch_size大于1，则会出现错误。有人可以帮助我设置这种数据，使其最佳地用于训练我的神经网络吗？

现在使用以下方法训练模型：

generator = BatchGenerator(batch_size, n, y, data)
model.fit_generator(generator = generator, steps_per_epoch = steps_per_epoch, epochs = epochs)

谢谢！