我的时间序列数据有2个特征。
0 1
1/22/20 555.0 17.0
1/23/20 654.0 18.0
1/24/20 941.0 26.0
1/25/20 1434.0 42.0
1/26/20 2118.0 56.0
... ... ...
5/3/20 3506729.0 247470.0
5/4/20 3583055.0 251537.0
5/5/20 3662691.0 257239.0
5/6/20 3755341.0 263831.0
5/7/20 3845718.0 269567.0
[107 rows x 2 columns]
我试图创建一个多变量LSTM来预测每一个列。处理数据后,训练阵列和测试阵列具有以下形状。
Legend: (samples, time steps, features)
x_train: (67, 4, 2)
y_train: (67, 2)
x_test: (26, 4, 2)
y_test: (26, 2)
这是模型的定义
forecast_horizon = 4
feature_n = 2
early_stopping = EarlyStopping(patience=50, restore_best_weights=True)
model = Sequential()
model.add(LSTM(5, input_shape=(forecast_horizon, feature_n)))
model.add(Activation("relu"))
model.add(Dropout(0.1))
model.add(Dense(feature_n))
model.add(Activation("relu"))
model.compile(loss="mean_squared_error", optimizer="adam")
history = model.fit(x_train, y_train, epochs=1000, batch_size=1, verbose=0,
callbacks=[early_stopping], validation_split=0.2)
预测结果都是零 输出的 test_predictions = model.predict(x_test)
是。
[[0.00839295 0.007538 ]
[0. 0. ]
[0.00946797 0.00663883]
[0. 0. ]
[0. 0. ]
... ...
[0.0007435 0. ]
[0.00116019 0.00032421]
[0. 0. ]
[0. 0. ]
[0. 0. ]]
这是一个简单的模型训练时间较长,调整其超参数的问题,还是有其他的原因会影响这个问题?如何实现一个正确的多变量LSTM?
批量大小为1意味着您的模型权重正在基于1个观测值进行调整,而不是针对少数观测值进行优化。常见的批次大小在16到32之间,但可以根据模型的情况进行调整。
LSTM模型也需要数千个观测值,所以如果可能的话,要获得更多的训练数据。
架构也会有所不同,所以最好尝试一些不同的方法,看看什么是最有效的。你可以在这里找到更多信息。https:/machinelearningmastery.com如何开发lstm模型进行时间序列预测。