具有多标签和长时间窗口的LSTM回归

Question

我一直在努力为我的数据开发LSTM。因此，如果这篇文章有太多多余的内容，请多多包涵。

根据我的数据，要素分别由12500条线组成，其中每行有2列。对于此测试，我有90个。 （我将把这个90扩展到更多）。因此，我将以下形状和类型传递给我的LSTM：

• x_train.shape：(90, 12500, 2)
• type（x_train）：<class 'numpy.ndarray'>

例如 x_train[0] array([[ 28.15149259, -21.2996635 ], [ 45.98779437, -34.60591158],...

标签每个由1行组成，每行有4列。因此，我将以下形状传递给LSTM：

• y_train.shape：(90, 4)
• type（y_train）：<class 'numpy.ndarray'>

例如y_train[0] array([-0.05552651, -0.1108113 , 0.02395229, 0.04790576])

我想为每个新功能预测这4个数字（例如概率或类别）。

对于我的Keras模型，我具有以下内容：

model = Sequential()
model.add(LSTM(4, input_shape=(12500, 2))) # With 32 it will not work but with 4 it will;
model.add(Dense(4))
#model.compile(loss='mean_squared_error', optimizer='adam')
model.compile(loss='mae', optimizer='adam')

model.fit(x_train, y_train, nb_epoch=1, batch_size=30, verbose=1)

这种方法有意义吗？代码正在运行，换句话说，模型合适，我可以做出预测。我的问题更多是关于如何正确配置图层。

侧面说明：在这种情况下，我们有12500个对象，因为它们是对电信号脉冲的引用。例如，这12500中的每一个都是在毫秒内进行的测量。