使用TimeSeries_Generator

Question

我不熟悉使用LSTM进行时间序列预测。 我想预测未来的来电到达，我的数据有19个解释变量和一个因变量（来电到达）。一天包含30个观察结果；一周包括180次观察。

我用数值替换了标称变量，将数据归一化并将其分为训练和测试（请忽略1的* 180；我想用for循环（对于52中的i）替换1的后面）预测52次​​180次观察（一周））

data_LSTM_matrix <- data.matrix(data_LSTM)
train_data <- data_LSTM_matrix[1:(21090+(1*180)),]
mean <- apply(train_data, 2, mean)
std <- apply(train_data, 2, sd)
data_normalized <- scale(data_LSTM_matrix, center = mean, scale = std)

train_y<-as.numeric(data_normalized[1:(21090+(1*180)),20])
train_x<-as.matrix(data_normalized[1:(21090+(1*180)),c(1:19)])
test_y<-as.numeric(data_normalized[(21631+(1*180)):(21631+((1+1)*180)),20])
test_x<-as.matrix(data_normalized[(21631+(1*180)):(21631+((1+1)*180)),c(1:19)])

然后我使用了keras的timeseries_generator（）。如前所述，我想预测180个半小时间隔，即一周：

train_data_gen<-timeseries_generator(train_x,train_y,length=180, sampling_rate=1, stride=1, batch_size=30)
test_data_gen<-timeseries_generator(test_x,test_y,length=180, sampling_rate=1, stride=1, batch_size=180)

我的模型如下：

model <- keras_model_sequential() %>% 
  layer_lstm(units = 128, dropout = 0.4, recurrent_dropout = 0.4,
             return_sequences = TRUE,
             input_shape = c(180,19)) %>%
  layer_dense(units = 1)

model %>% compile(
  optimizer = optimizer_rmsprop(),
  loss = "mae"
)

history <- model %>% fit_generator(
  train_data_gen,
  epochs = 30,
  steps_per_epoch=5,
  verbose=2
)

我的预测是这样生成的：

testpredict<-predict_generator(model, test_data_gen, steps=1)

但是，我的预测确实很糟糕（在反转归一化之后），并且其形状为[1,1：180,1]；我想知道它是否还能预测呼叫的到来。

这些是我的问题： 1.我的timeseries_generators（）是否正确定义？我想知道我是否真的必须在长度参数中输入180。是否只考虑180个过去的时间步长，而不考虑整个训练集？ 2.输出的形状（[1,1：180,1]）是否正确？我希望得到一个向量。