LSTM自编码器用于时间序列预测

Question

LSTM自编码器用于时间序列预测

pythonkeraslstm

6

我正在尝试构建一个LSTM自编码器来预测时间序列数据。由于我是Python的新手，在解码部分有一些错误。我试图像这里和Keras中所示的那样建立它。但我完全不理解给出的例子之间的区别。我现在拥有的代码如下：

问题1：每个样本都有2000个值时，如何选择batch_size和input_dimension？

问题2：如何使这个LSTM自编码器工作（模型和预测）？这只是模型，但如何进行预测？例如从第10个样本开始一直预测到数据结尾？

我的数据总共有1500个样本，我会使用10个时间步长（如果更好，则可以使用更多），每个样本有2000个值。如果您需要更多信息，我稍后也可以提供。

trainX = np.reshape(data, (1500, 10,2000))

from keras.layers import *
from keras.models import Model
from keras.layers import Input, LSTM, RepeatVector

参数

timesteps=10
input_dim=2000
units=100 #choosen unit number randomly
batch_size=2000 
epochs=20

模型

inpE = Input((timesteps,input_dim)) 
outE = LSTM(units = units, return_sequences=False)(inpE)
encoder = Model(inpE,outE) 
inpD = RepeatVector(timesteps)(outE)
outD1 = LSTM(input_dim, return_sequences=True)(outD
decoder = Model(inpD,outD) 
autoencoder = Model(inpE, outD)
autoencoder.compile(loss='mean_squared_error',
          optimizer='rmsprop',
          metrics=['accuracy'])
autoencoder.fit(trainX, trainX,
      batch_size=batch_size,
      epochs=epochs)
encoderPredictions = encoder.predict(trainX)

- annstudent93

你需要通过试错来确定“batch_size”的值，但是它应该小于1500。 - Juan

@Juan，感谢您的建议。关于模型的实现，您能帮我吗？ - annstudent93

请看 https://dev59.com/SVcP5IYBdhLWcg3wRYBh?noredirect=1&lq=1 的内容。 - Juan

@Juan 我也参考了那个问题，但我不明白我有一个RepeatVector，而他做得不同，但仍然无法正确编程两个版本。 - annstudent93

另外，您需要将第一个 return_sequences=True 修改为 return_sequences=False。 - Juan

显示剩余2条评论

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Juan · Accepted Answer

我使用的LSTM模型如下：

该模型为：

def get_model(n_dimensions):
    inputs = Input(shape=(timesteps, input_dim))
    encoded = LSTM(n_dimensions, return_sequences=False, name="encoder")(inputs)
    decoded = RepeatVector(timesteps)(encoded)
    decoded = LSTM(input_dim, return_sequences=True, name='decoder')(decoded)

    autoencoder = Model(inputs, decoded)
    encoder = Model(inputs, encoded)
    return autoencoder, encoder

autoencoder, encoder = get_model(n_dimensions)
autoencoder.compile(optimizer='rmsprop', loss='mse', 
                    metrics=['acc', 'cosine_proximity'])

history = autoencoder.fit(x, x, batch_size=100, epochs=100)
encoded = encoder.predict(x)

它使用的数据是 x，其大小为 (3000, 180, 40)，即 3000 个样本，timesteps=180 和 input_dim=40。