我有一个 n 个向量序列的时间序列，我需要使用滑动窗口方法将它们馈送到LSTM。
在我在线阅读的其他资源中，seq_length通常被称为窗口长度[或LSTM单元数]，而context_size被定义为某个时间步长LSTM的输入大小。 （例如，一次输入一个向量）。
在任何给定时间点 t ，我要传递点 x_ {tm}，…，x_ {t-1}，…，x_ {t} 到LSTM，然后是致密层，并在每个tilmestep上预测分类目标属性。
如果要遵循滑动窗口方法，是否需要将输入数据显式拆分为大小为 m 的窗口？
例如：
[x_ {tm}，…，x_ {t-1}，…，x_ {t}]，[x_ {t-m + 1}，…，x_ {t}，…，x_ { t + 1}]，[x_ {t-m + 2}，...，x_ {t + 1}，x_ {t + 2}] 等。
或者，我可以将输入数据拆分为不重叠的块吗[em_ [x_ {tm}，…，x_ {t-1}，…，x_ {t}]，[x_ {t + 1}， …，x_ {t + m-1}，x_ {t + m}] 等，而是调整context_size的大小？
embeds = embeds.unfold(1, context_size, 1) # Keeping the step size to be 1
embeds = embeds.view(embeds.size(0), embeds.size(1), -1)
是否有更好的方法来实现时间序列数据的滑动窗口方法？
答案 0 :(得分：0)
LSTM对数据进行递归，因为时间t的预测将取决于所有过去（取决于内存）。在这种情况下，您似乎希望时间t的输入依赖于过去的m + 1个实例。如果不需要循环网，则可以简单地使用线性，并在每个瞬间输入滑动窗口。但是，如果您使用的是递归网络，则无需一次又一次地传递相同的输入。