时间序列图像和预测：CNN-LSTM 或 ConvLSTM答案

【问题标题】：Time series image and prediction: CNN-LSTM or ConvLSTM时间序列图像和预测：CNN-LSTM 或 ConvLSTM
【发布时间】：2023-01-24 02:29:24
【问题描述】：

例如，我有三个时间序列年份（2020、2021、2022）的 5 个位置（a、b、c、d、e）的一系列图像（MSL-5 波段图像）。所以我总共有 15 张图像，用于 5 个位置和 3 年。我已经将 3 年的图像堆叠成 5 个位置的图像。然后我的样本大小为 5（5 个位置），我得到的图像维度为（224、224、15）。此处注意：图像宽度 = 224，图像高度 = 224，并且对于 5 个波段图像和 3 个不同的年份，因为堆叠通道是 (3x5)=15。我有这 3 个位置的温度数据集。我还将它们分为训练（3个位置数据），测试（2个位置数据）现在我想根据图像预测温度，并想使用 2DCNN-LSTM 或 Conv2D-LSTM 之类的东西。我不确定这个的实际模型是什么？输入形状是什么，这个模型的代码是什么。如果有人可以在这方面帮助我。请帮我。

如果有人可以在这方面帮助我。请帮我。

【问题讨论】：

您可以使用任何常见的 ML 框架（PyTorch、Keras 等）。但是如果你想训练一个只有 9 个图像的 CNN，如果温度不是微不足道的计算，不要指望得到好的结果。
样本量只是一个例子，但我的样本量可以是（3年x20个位置=60）用于训练和（3年x10个位置=30）用于测试。如果我使用以下代码，它是否正确，或者对温度预测精度有何建议？
model = Sequential() model.add(ConvLSTM2D(filters=64, kernel_size=(3,3), activation='relu', padding='same', return_sequences=True, input_shape=(224, 224, 5,5) )) model.add(BatchNormalization()) model.add(ConvLSTM2D(32, kernel_size=(3, 3), activation = 'relu', padding='same', return_sequences=True)) model.add(BatchNormalization() ) model.add(Dropout(0.25)) model.add(Flatten()) model.add(Dense(1, activation='linear')) model.summary()
请使用您的（格式化的）代码示例更新您的问题。这将增加您获得有意义答案的机会。

标签： python

【解决方案1】：

model = Sequential()
model.add(ConvLSTM2D(filters=64, kernel_size=(3,3), activation='relu', padding='same', return_sequences=True, input_shape=(224, 224, 5, 5)))
model.add(BatchNormalization())
model.add(ConvLSTM2D(32, kernel_size=(3, 3), activation = 'relu', padding='same', return_sequences=True))
model.add(BatchNormalization())
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(1, activation='linear'))
model.summary()

【讨论】：