我有一个具有多个输入功能和一个输出（分类）的时间序列。我想创建一个可以预测每一步输出的模型。
我的数据如下：
x：[[0.4，0.8，-1]，[1，1.6，-0.2]，....]
y：[[1]，[0]，...]
因此，当给定单个特征向量时，我希望模型输出0或1。该特征向量不是任何类型的序列，因为这只是简单的时间序列。
我有以下问题：
由于Keras要求将数据格式设置为(batch_size, time_steps, num_features)，并且我已经修复了num_features = 3，所以我应该为batch_size和time_steps输入什么？
我应该为stateful的值输入什么？由于我的数据是按照特定的顺序排列的，因此列表中的第一个事件排在第一位，第二和第三个依次出现，依此类推，因此我假设我将stateful = True放在了位置？
答案 0 :(得分：0)
我不确定，但是您的batch_size可以自动设置，time_steps等于功能集的数量，因此对于[[0.4，0.8，-1]]，其1为[[0.4，0.8，-1]， [1，1.6，-0.2]] 2等。尝试将数据重塑为（shape [0]，3）。
答案 1 :(得分：0)
如果您刚刚开始训练LSTM模型，建议您使用stateful=False。一旦您对输入形状和LSTM的工作方式更加满意，就可以考虑使用stateful=True。您可以详细了解here。
话虽如此，Keras要求将数据格式化为(num_samples, time_stepss, num_features)。 batch_size是您要拟合模型时设置的参数。实际上，batch_size和time_steps都是超参数，您可能需要一周，然后看看哪个参数会带来更好的性能。因此，首先确定time_steps，然后确定样本是否重叠。
例如，您可以决定创建一个time_steps=4且每个样本之间有2个time_step重叠的样本：
x [0]，x [1]，x [2]，x [3]-> y [0]，y [1]，y [2]，y [3]
x [2]，x [3]，x [4]，x [5]-> y [2]，y [3]，y [4]，y [5]
x [4]，x [5]，x [6]，x [7]-> y [4]，y [5]，y [6]，y [7]
...
在固定time_steps和重叠的情况下，您将获得总计num_samples。然后，您可以使用model.fit()（例如32、64等）将数据输入到batch_size中。
如果要避免编写代码来重塑数据，可以使用Keras的TimeseriesGenerator。请注意，time_steps使用长度，stride确定重叠。