我想预测一个球落下的轨迹。这条轨迹是抛物线的。我知道 LSTM 可能太多了（即一个更简单的方法就足够了）。 我认为我们可以用 2 个 LSTM 层和最后一个 Dense 层来做到这一点。
我想要的最终结果是给模型 3 个高度 h0、h1、h2 并让它预测 h3。然后，我想给它h1，h2，和它之前输出的h3来预测h4，以此类推，直到我可以预测出整个轨迹。
首先，第一个 LSTM 层的输入形状是什么？ 会是 input_shape = (3,1) 吗？ 其次，LSTM 是否能够预测抛物线路径？
我得到的几乎是一条平线，而不是抛物线，我想排除我误解了如何输入和塑造输入的可能性。
谢谢
【问题讨论】：
标签： deep-learning keras lstm recurrent-neural-network keras-layer
输入形状的格式为(samples, timeSteps, features)。
你唯一的特征是“身高”，所以features = 1。
由于您要输入不同长度的序列，您可以使用timeSteps = None。
所以，您的 input_shape 可能是 (None, 1)。
由于我们将在下面使用stateful=True 层，我们可以使用batch_input_shape=(1,None,1)。选择您想要的“样本”数量。
您的模型确实可以预测轨迹，但可能需要不止一层。 （关于多少层和多少单元的确切答案取决于了解 LSTM 内部的匹配是如何工作的）。
培训：
现在，首先你需要训练你的网络（只有这样它才能开始预测好的事情）。
对于训练，假设您有一系列[h1,h2,h3,h4,h5,h6...]，正确序列中的真值。 （我建议你实际上有很多序列（样本），所以你的模型学得更好）。
对于这个序列，你想要一个预测下一步的输出，那么你的目标是[h2,h3,h4,h5,h6,h7...]
所以，假设您有一个形状为(manySequences, steps, 1) 的data 数组，您可以：
x_train = data[:,:-1,:]
y_train = data[:,1:,:]
现在，您的图层应该使用return_sequences=True。 （每个输入步骤都会产生一个输出步骤）。然后你用这些数据训练模型。
这一点，无论您使用的是stateful=True 还是stateful=False，都不是很相关。 （但如果是真的，你总是需要model.reset_state() 在每个纪元和序列之前）
预测：
对于预测，您可以在模型中使用stateful=True。这意味着当您输入h1 时，它将产生h2。当您输入h2 时，它会记住“当前速度”（模型的state）来预测正确的h3。
（在训练阶段，拥有这个并不重要，因为你是一次输入整个序列。所以在长序列的步骤之间可以理解速度）。
您可以将方法reset_states() 设置为set_current_speed_to(0)。只要您要输入的步骤是序列中的第一步，您就会使用它。
然后你可以做这样的循环：
model.reset_states() #make speed = 0
nextH = someValueWithShape((1,1,1))
predictions = [nextH]
for i in range(steps):
nextH = model.predict(nextH)
predictions.append(nextH)
有an example here，但使用了两个功能。不同之处在于我使用了两种模型，一种用于训练，一种用于预测，但您只能使用return_sequences=True 和stateful=True 的一种（不要忘记在训练的每个时期开始时使用reset_states()） .
【讨论】：