Question

这是我的问题（我想这很普遍）：

我有4个时间序列（x1，x2，x3，x4），并且基于'd'历史数据
[（x_1（td），x_2（td），x_3（td），x_4（td），...，（x_1（t-1），x_2（t-1），x_3（t-1），x_4（ t-1）]
我想预测[x_1（t），x_1（t + 1）]

因此，在加载完整且没有NaN的数据之后，我首先使用Scikit-Learn MinMaxScaler（feature_range =（0，1）来重新缩放它们。

然后，我将它们分为训练和测试集，并使用Keras TimeSeries方法，batch_size = 72

train_gen = TimeseriesGenerator(data_train, target_train,
                           start_index=1,
                           length=n_lags, sampling_rate=1,
                           batch_size=batch_size)

test_gen = TimeseriesGenerator(data_test, target_test,
                           start_index=1,
                           length=n_lags, sampling_rate=1,
                           batch_size=batch_size)

火车的形状（输入，目标）是
每批火车X，y形状（72、10、4）（72、2）
测试也一样
每批测试X，y形状（72、10、4）（72、2）

例如，这是第一批的第一个输入数据（train_gen [0] [0] [：3]）：

array([[[0.28665611, 0.63705857, 0.32643516, 0.45493102],
        [0.26487018, 0.6301432 , 0.30965767, 0.45791034],
        [0.25228031, 0.61725465, 0.3161332 , 0.45023995],
        [0.24793654, 0.58854431, 0.32644507, 0.43765143],
        [0.25025404, 0.55537186, 0.33264606, 0.42989095],
        [0.25923045, 0.53953228, 0.32621582, 0.43297785],
        [0.27078601, 0.53333689, 0.31391997, 0.4531239 ],
        [0.28204362, 0.55253638, 0.30399583, 0.48110336],
        [0.2905511 , 0.59113979, 0.29693304, 0.50782682],
        [0.29877746, 0.65041821, 0.28764287, 0.53247815]],

       [[0.26487018, 0.6301432 , 0.30965767, 0.45791034],
        [0.25228031, 0.61725465, 0.3161332 , 0.45023995],
        [0.24793654, 0.58854431, 0.32644507, 0.43765143],
        [0.25025404, 0.55537186, 0.33264606, 0.42989095],
        [0.25923045, 0.53953228, 0.32621582, 0.43297785],
        [0.27078601, 0.53333689, 0.31391997, 0.4531239 ],
        [0.28204362, 0.55253638, 0.30399583, 0.48110336],
        [0.2905511 , 0.59113979, 0.29693304, 0.50782682],
        [0.29877746, 0.65041821, 0.28764287, 0.53247815],
        [0.30240836, 0.71207879, 0.34604287, 0.54785854]],

       [[0.25228031, 0.61725465, 0.3161332 , 0.45023995],
        [0.24793654, 0.58854431, 0.32644507, 0.43765143],
        [0.25025404, 0.55537186, 0.33264606, 0.42989095],
        [0.25923045, 0.53953228, 0.32621582, 0.43297785],
        [0.27078601, 0.53333689, 0.31391997, 0.4531239 ],
        [0.28204362, 0.55253638, 0.30399583, 0.48110336],
        [0.2905511 , 0.59113979, 0.29693304, 0.50782682],
        [0.29877746, 0.65041821, 0.28764287, 0.53247815],
        [0.30240836, 0.71207879, 0.34604287, 0.54785854],
        [0.30113961, 0.7603975 , 0.4250553 , 0.55976262]]])

以及相应的目标数组（train_gen [0] [1] [：3]）：

array([[0.30240836, 0.30113961],
       [0.30113961, 0.30203943],
       [0.30203943, 0.31435152]])

现在，使用Keras库，我的模型非常简单

h = LSTM(50)(inputs)
output = Dense(2)(h)
model = Model(inputs,output)
model.compile(loss='mae', optimizer='adam')

问题出在我开始训练时：

history = model.fit_generator(generator=train_gen,
                              epochs=50,
                              validation_data=test_gen,
                              shuffle=False)
Epoch 1/50
40/40 [==============================] - 5s 120ms/step - loss: nan - val_loss: nan
Epoch 2/50
40/40 [==============================] - 1s 37ms/step - loss: nan - val_loss: nan
Epoch 3/50
40/40 [==============================] - 2s 39ms/step - loss: nan - val_loss: nan

请注意在每个纪元（顺便说一句，在纪元末尾）出现的“ nan”。

谁能给我一些有关如何找到问题的提示？我应该提到，当输出（即目标）仅为（x1（t））时，学习就可以了，并且火车损耗和测试损耗可以平稳收敛。

Answer 1

事实上，我找到了问题的根源：这是因为在使用TimeseriesGenerator例如使用data_train之前，我必须使用以下代码来生成{x1（t），x1（t + 1））}目标

target_train = np.transpose(np.stack((data_train[:,0],
                                  shift(data_train[:,0],-1,cval=np.NaN))))

但是，最后一个条目是类似的东西（[0.18358087，nan]），因此损失的计算被最后一个条目所破坏。

解决方案是删除它。

使用Keras TimeSeries进行多步预测会导致损失NaN

1 个答案: