Question

使用带有Python的Keras库的LSTM尝试预测家庭的热水消耗情况。观看了一些教程并参加了Udemy课程，但没有找到对您有太大帮助的课程（建议多加推荐）。由于这只是一次问题，所以我真的不想阅读有关这方面的书籍，这就是为什么我希望我可以依靠SO专家的帮助。任务：

输入的结果是大约1,5年的耗电量，分辨率为1分钟。我将此配置文件放入csv，并将其命名为“ labels.csv”。顾名思义，第二个csv包含“ features.csv”，其中包含最重要的功能：一天中的分钟，一天中的小时，一周中的一天。这个想法是，通常在工作日的上午6点至上午8点至下午6点至晚上8点之间以及周末稍晚一些才进行消费。其他影响因素（如假期，一年中的月份等）均被忽略。输出应为下一周的消费概况，即10080行。

首先，我导入相关模型并上传csv文件。

import pandas as pd
import plotter
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense

features = pd.read_csv('features.csv')
labels = pd.read_csv('labels.csv')

然后我将其分为训练和测试集：

x_train, x_test, y_train, y_test = train_test_split(features,labels,test_size=0.2)

现在，我定义我的模型。

model = Sequential()

现在，我添加了图层（我仍然不知道如何确定应该取多少层以及应该取多少层，但是我可以通过尝试并发现错误。）：

model.add(LSTM(24,activation='relu',input_shape=(1,3)))
model.add(Dense(1))

按如下方式编译模型：

model.compile(loss='mse', optimizer="adam")

最后，拟合模型：

model.fit(x_train,y_train,epochs=60,verbose=2)

执行最后一行会产生错误：

Traceback (most recent call last):
  File "/home/bruno/Desktop/Python Projects/lstm_dhw_data2/lstm.py", line 24, in <module>
    model.fit(x_train,y_train,epochs=60,verbose=2)
  File "/usr/local/lib/python3.6/dist-packages/keras/engine/training.py", line 952, in fit
    batch_size=batch_size)
  File "/usr/local/lib/python3.6/dist-packages/keras/engine/training.py", line 751, in _standardize_user_data
    exception_prefix='input')
  File "/usr/local/lib/python3.6/dist-packages/keras/engine/training_utils.py", line 128, in standardize_input_data
    'with shape ' + str(data_shape))
ValueError: Error when checking input: expected lstm_1_input to have 3 dimensions, but got array with shape (838860, 3)

所以我什至都不去...

results=model.predict(x_test)

print(results)

如果任何人都可以指出我做错了什么，请将我指向一个合适的（新手可理解的）教程，或者将我指向一个可以回收的类似项目-我将不胜感激：）

我将项目添加到了GitHub

编辑：即使

，我也会收到很多弃用警告

pip install --upgrade tensorflow

返回所有内容都是最新的...

Answer 1

唯一遗漏的是，在时间序列中，您需要为模型输入序列。因此，您的输入应具有以下形状[batch_size, lenght_sequence, n_features]。目前，我们可以认为您的数据集由一个大序列组成。因此，您应该调整数据集的形状，使其具有不止1个序列以适合模型。例如，使用来自keras（doc here的TimeseriesGenerator，您可以从数据集中创建长度为10的序列（或任何最适合您数据的参数），如下所示：

from keras.preprocessing.sequence import TimeseriesGenerator

sequence_length = 10

data_gen = TimeseriesGenerator(x_train, y_train,
                               length=sequence_length,
                               batch_size=16)

model = Sequential()
model.add(LSTM(24,activation='relu',input_shape=(sequence_length, 3)))
model.add(Dense(1))
model.compile(loss='mse', optimizer="adam")
model.fit_generator(data_gen)

使用keras的LSTM

1 个答案: