使用 LSTM 和 keras 进行时间序列预测的分类变量

Question

我有一个 LSTM 模型（keras），它接收

20

变量的过去

6

值作为输入，并预测这些变量的

4

的未来

3

值。换句话说，我有 6 个时间序列，我正在尝试使用它们的 20 个过去值来预测它们的未来值。基本代码是：

past_time_steps = 6
future_time_steps = 4
inputs = Input(shape=(20,past_time_steps))
m = LSTM(hid, return_sequences=True)(inputs)
m = Dropout(0.5)(m)
m = LSTM(hid)(m)
m = Dropout(0.5)(m)
outputA = Dense(future_time_steps, activation='linear', W_constraint=nonneg())(m)
outputB = Dense(future_time_steps, activation='linear', W_constraint=nonneg())(m)
outputC = Dense(future_time_steps, activation='linear', W_constraint=nonneg())(m)
m = Model(inputs=[inputs], outputs=[outputA, outputB, outputC])
m.compile(optimizer='adam', loss='mae')
m.fit(x,[y1,y2, y2])

因此，输入是一个形状为

(500,20,6)

的 numpy 矩阵，其中

500

表示样本数（例如训练时间序列）。

现在，我有可用的新数据，所以对于每个时间序列，我都有一个分类变量（可以取 6 个值：

0,1,2,3,4,5

）。如何将此信息添加到模型中？我可以添加另一个使用这个变量的层吗？我应该在时间序列的开始/结束时填充这个变量，以便我有一个形状为

(500,21,6)

的输入矩阵吗？

Answer 1

One_hot_encode 分类变量并以与其他时间数据相同的方式对其进行预处理。您的时间步长不受此新数据的影响。受影响的只是变量的数量。

Answer 2

您可能对这个话题感兴趣：Adding Features To Time Series Model LSTM.

你基本上有3种可能的方式：

让我们以两个不同城市的天气数据为例：巴黎和旧金山。你想根据历史数据预测下一个温度。但与此同时，您预计天气会根据城市而变化。您可以：

• 将辅助特征与时间序列数据结合起来，在开头或结尾（丑陋！）。
• 将辅助特征与 RNN 层的输出连接起来。这是某种后 RNN 调整，因为 RNN 层不会看到此辅助信息。
• 或者只是用学习到的条件表示来初始化 RNN 状态（例如巴黎或旧金山）。

我写了一个库来调节辅助输入。它抽象了所有的复杂性，并被设计成尽可能对用户友好：

https://github.com/philipperemy/cond_rnn/

实现在tensorflow（>=1.13.1）和Keras中。

希望对您有所帮助！