向导，向导。
我有时间序列数据，包括世俗的日子。
我尝试预测明天的等级，范围是0到100。
并且我认为这个等级取决于3个与时间序列无关的特征。
每一天都是一个单位并有一个等级，但是每个单位（天）具有不同长度的时间序列数据。
因为每天都有很多数据长度，所以我每天滚动窗口，大小为1080，步幅为180。
因此，我尝试将其转换为（单位（样本）数，窗口数，窗口大小，功能）。
终于得到（450，＃window（not fixed），1080，3）。
450天，每天具有相同长度的窗口（1080）和功能（3），但是窗口数不同。
我本来是零填充的，但听说可以使用输入长度不同的dynamic（？）LSTM。
问题在于Keras LSTM的输入形状必须为3维。
所以我很困惑如何使这种形状适合LSTM模型。
我的目标是，当我在LSTM模型中放一个新的形状（窗口号，1080、3）的形状时，我希望它可以预测等级。
您能给我任何建议吗？ 谢谢。
答案 0 :(得分：1)
不幸的是，您的问题的答案是没有。
Keras中LSTM层的输入形状必须为(batch_size, timesteps, features)。没有第四维。
但是，就像您似乎在使用滑动窗口方法一样，我可以告诉您，通常的方法是在批处理维度中包含（窗口数）。在您的情况下，这意味着您的输入形状将变为(450 * #window, 1080, 3)。
然后，为了进行预测，您只需要使用一天的最后一个窗口，就不能使用一整天。
请注意，这通常是滑动窗口方法的一个巨大限制。如果一个好的预测需要一整天的数据，而不是当天的一个窗口，那么这种方法就行不通了。
您仍然可以尝试使用不同的窗口大小进行播放。如果不起作用，我建议您放弃这种方法，直接使用一天的数据，而不要先将其划分为多个窗口。因此，(450, #(data of a day), 3)将成为您的输入形状。您所听到的是正确的：timestep轴上的长度可以变化。为此，您必须在第一层声明input_shape=(None, 3)。
唯一的缺点是您不能将所有数据作为一个numpy数组放在一起，因为numpy不能使用不同的大小。换句话说，您需要450个形状为(450, #(data of a day), 3)的numpy数组，而不是一个形状为(1, #(data of a day), 3)的numpy数组，其中#(data of a day)可以每次都不同。不幸的是，model.fit()不能用于此目的，因为它期望训练数据是一个单个的numpy数组。相反，您可以使用model.fit_generator并向其传递一个生成器，该生成器在每次调用时产生这450个小数组中的一个。请查看docs，以获取有关如何使用此功能的示例。请注意，由于batch_size=1，您的训练可能会变慢。
如果结果是一个问题，则Keras中的LSTM层支持屏蔽。为此，只需将Masking层用作模型中的第一个层，然后声明一个要屏蔽的值（通常为0.0，但可以是任何数字）。然后，您可以创建形状为(batch_size, #max_day_data, 3)的输入张量，其中必须对所有少于#max_day_data数据的日期用将要屏蔽的值进行右填充。
为进一步阅读，我强烈建议在LSTM上使用this answer。也许这会启发您尝试使用其他方法。如果一天中有太多数据不适合您的内存，则尤其可以使用stateful。