我有一个来自多个用户 (nUsers) 的数据集。每个用户在时间上随机采样（每个用户的非恒定 nSamples）。每个样本都有许多特征（nFeatures）。 例如：
nUsers = 3 ---> 3 个用户
nSamples = [32, 52, 21] ---> 第一个用户被采样了 32 次第二个用户被采样了 52 次等等。
nFeatures = 10 ---> 每个样本的特征数不变。
我希望 LSTM 根据当前特征和同一用户之前的预测生成当前预测。 我可以使用 LSTM 层在 Keras 中做到这一点吗？ 我有两个问题：
感谢您的帮助！
【问题讨论】：
标签： python keras time-series data-science lstm
听起来每个用户都是一个序列，因此，用户可能是您问题的“批量大小”。所以一开始，nExamples = nUsers。
如果我正确理解了您的问题（预测下一个元素），您应该定义“回顾”的最大长度。例如，假设您可以通过查看前 7 个元素来预测下一个元素（而不是查看整个序列）。
为此，您应该像这样分隔数据：
example 1: x[0] = [s0, s1, s2, ..., s6] | y[0] = s7
example 2: x[1] = [s1, s2, s3, ..., s7] | y[1] = s8
sn 是一个包含 10 个特征的样本。
通常，是否混合用户并不重要。为所有用户创建这些小段并将所有内容放在一起。
这将导致数组形状像
x.shape -> (BatchSize, 7, 10) -> (BatchSize, 7 step sequences, 10 features)
y.shape -> (BatchSize, 10)
也许你的意思不是预测下一组特征，而只是预测一些东西。在这种情况下，只需将 y 替换为您想要的值。如果您只想要一个结果，这可能会导致 y.shape -> (BatchSize,)。
现在，如果您确实需要整个序列进行预测（而不是之前的 n 个元素），那么您将必须定义最大长度并填充序列。
假设你的最长序列，如你的例子，是 52。那么：
x.shape -> (Users, 52, 10).
然后您将不得不“填充”序列以填补空白。
例如，您可以用零特征填充序列的开头，例如：
x[0] = [s0, s1, s2, ......., s51] -> user with the longest sequence
x[1] = [0 , 0 , s0, s1, ..., s49] -> user with a shorter sequence
或者（我不确定这是否有效，我从未测试过），用零值填充结尾并使用 Masking Layer，这是 Keras 用于“可变长度序列”的。您仍然使用固定大小的数组，但在内部它会（？）丢弃零值。
【讨论】：