当使用多个样本时，如何与Keras一起使用多元时间序列预测

Question

正如标题所述，我正在进行多元时间序列预测。我对这种情况有一些经验，能够在TF Keras中成功设置和训练工作模型。

但是，我不知道处理多个不相关的时间序列样本的“正确”方法。我有大约8000个独特的样品“块”，每个样品的时间步长从800个时间步到30,000个时间步。当然，我无法将它们全部合并为一个单一的时间序列，因为样本2的第一点在时间上与样本1的最后点没有关系。

因此，我的解决方案是将每个样本分别放入一个循环中（效率极低）。

我的新想法是/可以/应该将每个样本的开头填充空的时间步长=到RNN的回顾量，然后将填充的样本连接成一个时间序列吗？这将意味着第一步将具有大部分为0的回溯数据，这听起来像是解决我的问题的另一个“方法”，而不是正确的解决方法。

Answer 1

主要挑战在于800到30,000个时间步长，但您无能为力。

• 模型设计：将序列分组为大块-例如，填充800-900个时间步的30个序列，然后填充900-1000个60个序列，等等-不必是连续的（即下一个可以是1200到1500）
• 输入形状：(samples, timesteps, channels)-或等效地，(sequences, timesteps, features)
• 层：Conv1D和/或RNN-例如GRU, LSTM。每个人都可以处理可变的时间步长
• 串联：不要这样做。如果您的每个序列都是独立的，则每个序列都必须沿Keras中的维度0进行馈送-批处理或样本维度。如果它们是依赖的，例如多元时间序列，就像信号中的许多通道一样-然后沿channels维（维度2）进行馈送。但是绝不要沿时间序列维度进行连接，因为这暗示着因果连续性不存在。
• 有状态RNN ：可以帮助处理长序列-有关其工作方式的信息here
• RNN功能：受到限制序列很长，即使对于LSTM来说，也已经有800个处于危险区域；我建议通过输入时使用自动编码器或带有strides > 1的CNN来降低维度，然后将其输出馈送到RNN。
• RNN培训：非常困难。训练时间长，超参数灵敏度，梯度消失-但是，通过适当的正则化，它们可能会很强大。更多信息here
• 零填充：之前/之后/两者-值得商,，可以阅读，但可能与“两者”保持清晰，因为在一个地方学习忽略填充更容易；我个人使用“之前”
• RNN变体：尽可能使用CuDNNLSTM或CuDNNGRU，因为它们快10倍

注意：上面的“样本”，在机器学习中，是指独立的示例/观察结果，而不是测量的信号数据点（称为{{ 1}}）。

---

下面是一个适合时间序列的模型的基本代码：

timesteps