Question

我正在使用Keras LSTM对一家公司的每日销售数据进行预测。数据的原始形状为[60个商店x 1034天x 207个产品]。我创建了像这样的一天的一站式展示：

星期一1 0 0 0 0 0 0
星期二0 1 0 0 0 0 0
星期三0 0 1 0 0 0 0
星期四0 0 0 1 0 0 0
星期五0 0 0 0 1 0 0
星期六0 0 0 0 0 1 0
星期日0 0 0 0 0 0 1 1

此代表已添加到所有商店的日期，因此新形状的形状为[60个商店x 1034天x（207个产品+ 7天）]

对于具有重要意义的天，我又添加了一个名为S_day的列，其值为0或1。

因此，数据的最终尺寸为[60 x 1034 x 215]。

我用于训练上层973天，并为每个商店测试集合的最后61天。
train_x [60 x 973 x 215]
train_y [60 x 973 x 215]
test_x [60 x 973 x 215]（数据形状为[60 x 61 x 215]，但我们填充零以匹配形状）
test_y [60 x 973 x 215]（数据形状为[60 x 61 x 215]，但我们填充零以匹配形状）

y数据是x数据，它们以滞后-1移位，以便作为第二天的预测目标。

我的问题是我需要从最终预测中排除这8个额外的列。

# design model
model = Sequential()
model.add(LSTM(100, input_shape=(train_x.shape[1], train_x.shape[2]), return_sequences=True))
model.add(Dense(train_x.shape[2]))
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])


# fit model
history = model.fit(train_x, train_y,
                    epochs=10,
                    batch_size=2,
                    validation_data=(test_x, test_y),
                    verbose=2,
                    shuffle=False)


# make a prediction
test_pred = model.predict(test_x)

Answer 1

我认为您在尺寸上犯了一个错误。它应该是（60 x 1034 x 7 x 207 x 1），因此网络具有4个暗淡的输入，您先展平，然后再传递到密集层并获取输出。如果您可以发布代码图像以获取数据，则可以使其更加清晰。

可以使用one_hot_decoder（）将输出转换为所需的任何内容

Answer 2

我找到了解决该问题的方法，我只需要重塑来自train_y和train_x的下落的8列即可获得207个要素并在密集层输入207中

从LSTM预测中排除一种热还原数据

2 个答案: