长短期记忆法。如何预测多元时间序列？答案

【问题标题】：LSTM. How to forecast multivariative time series?长短期记忆法。如何预测多元时间序列？
【发布时间】：2020-11-28 12:43:14
【问题描述】：

我正在尝试预测多元时间序列：

所以，这里有 4 个系列。

我尝试编写一个 LSTM 实现。一开始，我将我的数据框拆分为 TensorFlow 窗口数据集。因此，每个形状为 [12, 4] 的矩阵都可以预测下一个 [4] 值：

def get_windowed_dataset(df):
    ds = tf.data.Dataset.from_tensor_slices(df.values)
    ds = ds.window(13, shift=1, drop_remainder=True)
    ds = ds.flat_map(lambda w: w.batch(13))
    ds = ds.shuffle(1024)
    ds = ds.map(lambda w: (w[:-1], w[-1]))
    return ds

然后我创建了一个 LSTM 模型：

model = tf.keras.models.Sequential([
  tf.keras.layers.LSTM(16, return_sequences=True, input_shape=[None, 4]),
  tf.keras.layers.LSTM(16),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(8, activation="relu"),
  tf.keras.layers.Dense(4)
])

model.compile(loss=tf.keras.losses.Huber(),
              optimizer=tf.keras.optimizers.Adam(),
              metrics=["mae"])

但是当我打电话时

train_set = get_windowed_dataset(df)
model.fit(train_set, epochs=100)

引发错误：ValueError: Error when checking input: expected lstm_12_input to have 3 dimensions, but got array with shape (None, 4)。

有什么问题？

编辑

感谢@Molessia，我发现需要对数据集进行批处理。所以，我的解决方案是：

def get_windowed_dataset(df):
    ds = data.Dataset.from_tensor_slices(df)
    ds = ds.window(13, shift=1, drop_remainder=True)
    ds = ds.flat_map(lambda w: w.batch(13))
    ds = ds.shuffle(1024)
    ds = ds.map(lambda w: (w[:-1], w[-1]))
    return ds.batch(32).prefetch(1)

【问题讨论】：

标签： python tensorflow keras deep-learning lstm

【解决方案1】：

我认为这里的问题是 Keras 总是希望您分批提供输入数据，即使您选择批量大小为 1。这意味着您需要在输入中添加一个额外的维度才能使它是三维的，第一个维度是 batch_size。

要解决这个问题，您可以像这样重塑输入数据集：

data = data.reshape((1, 12, 4))

【讨论】：

您的回答帮助了我。虽然，pandas DataFrame 没有reshape 功能。我编辑了问题以显示我的解决方案