使用Keras、Tensorflow进行多时间序列维度的RNN时间序列预测

Question

使用Keras、Tensorflow进行多时间序列维度的RNN时间序列预测

pythonnumpymachine-learningkerasrecurrent-neural-network

3

我将尝试在一些时间序列集上运行一个RNN/LSTM网络。需要说明的是，这些时间序列正在进行分类。我有大约600个不同的时间序列，每个序列都有930个时间步骤和其中的特征。我已经将数据结构化为一个numpy 3D数组，其结构如下：

X = [666 observations/series, 930 timesteps in each observation, 15 features]
Y = [666 observations/series, 930 timesteps in each observation, 2 features]

对于训练和验证数据，我将数据按70/30分割。因此Train_X = [466,930,15]，Train_Y = [200, 930, 2]。

我的网络出现了一种错误，说它希望输入为2个维度，但得到的数组形状为(466,930,2)。我的代码如下:

from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import mean_squared_error

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Bidirectional

Train_X = new_ped_data[0:466]
Test_X = new_ped_data[466:]

Train_Y = new_ped_valid_data[0:466]
Test_Y = new_ped_valid_data[466:]

model = Sequential()
model.add(Bidirectional(LSTM(20, return_sequences=True),
                        input_shape=Train_X.shape[1:]))
model.add(Bidirectional(LSTM(10)))
model.add(Dense(5))
model.compile(loss='mae', 
              optimizer='rmsprop')

model.fit(Train_X, Train_Y, epochs = 30, batch_size = 32, 
      validation_data =(Test_X, Test_Y))

我只是在尝试运行模型，一旦成功后，我会调整结构和拟合参数。值得注意的是，其中一个分类输出可能不是必要的。请问如何设置结构，这样如果输入一个时间序列，那么我可以获得网络对每个时间步长的分类值？

Error was: ValueError: Error when checking target: expected dense_9 to
have 2 dimensions, but got array with shape (466, 930, 2)

- WRosko

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

- Marcin Możejko · Accepted Answer

您的输出也具有顺序性。默认情况下，LSTM 具有标志 return_sequences=False。这会使您的序列在第二个 LSTM 层之后被压缩为一个向量。要更改此设置，请尝试：

model = Sequential()
model.add(Bidirectional(LSTM(20, return_sequences=True),
                    input_shape=Train_X.shape[1:]))
model.add(Bidirectional(LSTM(10, return_sequences=True)))
model.add(Dense(5))
model.compile(loss='mae', 
          optimizer='rmsprop')