结合两种输入类型（TIME_SERIES_INPUT 和 AUXILIARY(static)_INPUTS）的最合适模型？答案

【问题标题】：The most proper model for combining both input types(TIME_SERIES_INPUT and AUXILIARY(static)_INPUTS)?结合两种输入类型（TIME_SERIES_INPUT 和 AUXILIARY(static)_INPUTS）的最合适模型？
【发布时间】：2019-01-09 18:41:28
【问题描述】：

所以我搜索了一些关于重塑问题的帖子和问题帖子，但到目前为止，这些解决方案似乎都不适合我。

项目的目标：预测每家商店和 SKU 的每周销售额（衣服的属性：例如颜色/尺寸）。

数据集的结构如下：

Week, store_id, color, size, last_week_sales, last_2week_sales_(sales two weeks),actual_sales(the one we want to predict) 1, 341, red, LL, 0, 1, 1 1, 341, yellow, M, 2, 4, 2 1, 341, blue, S, 2, 2, 3 2, 342, blue, M, 2, 3, 1 2, 342, green, S, 2, 3, 2

所以对于每一周，每条记录都通过特征（衣服的属性和 store_id 等）的组合是唯一的

每周的记录数不一样。

2018 年 8 月 23 日更新：

我尝试了全连接NN，但正确率约为75％，无法通过各种方式提高。我想知道是否有其他方法可以解决这个问题，提前谢谢！

【问题讨论】：

标签： python keras time-series lstm

【解决方案1】：

“重塑问题”源于对自己的数据和预测目标缺乏了解。 LSTM（以及一般的 RNN）需要一个向量序列数据结构。本质上，您想对某个函数 f(x) 建模，其中您的特征是随时间变化的，x=x(t)，因此 f(x) 可以重写为 f(t)。这在您的示例数据集中并不是特别明显，因为只有一小部分特征（销售）是随时间变化的。

您可以做的是将单个时间片视为一个向量，其元素是静态特征（颜色、商店 ID 等）加上单个销售实例。那么完整样本将是一个由 N 个垂直堆叠的时间片组成的矩阵，其中 N 是您拥有的时间片数。这些样本的许多实例将是一个batch，即一个 3 维张量，它是循环网络的预期输入。

如果您不只是为了实验和学习而这样做，那么您应该记住，这是一种不好的方法。你的特征没有任何时间结构，直观地说，它们不应该对下周的销售有任何预测潜力。此外，在这里使用 RNN 有点过头了，你肯定会过度拟合你的数据集。

【讨论】：

感谢您的回复。这是有道理的，因为我很困惑如何重新塑造静态特征。那么问题来了，哪种方法更适合使用静态特征（颜色、尺寸等）和时变特征（上周销售额等）来预测销售额？谢谢！
抱歉，还有几个问题。 1. 除了 RNN 之外，还有没有其他方法可以结合静态特征（颜色、尺寸等）和时变特征（上周销售额）来预测销售额？它们的数量差不多。 2.假设我只有一个产品，并且在每个时间点都有一堆时变特征，那么RNN是正确的选择吗？提前致谢。
1. RNN 可以做到这一点，鉴于数据集的简单性，我只是怀疑它们的必要性。或者，您可以应用静态特征的转换并将它们转换为“种子”向量以用作 RNN 的初始隐藏状态 2。理论上是的，但本质上这并没有什么区别；在一种情况下，您假设所有产品的通用功能，静态特征的参数化，而在另一种情况下，您正在为每个产品建模一个独特的功能。
感谢您的回复，非常感谢。那么考虑到数据集的简单性，除了 RNN 之外，还有其他方法可以预测销售额吗？如果使用RNN，我不太确定我得到了转换的方式......例如，X = (static + timing features) xn(no.样本数）Y=actual_sales 的向量。 将 static 特征转换为“种子”向量，更具体地说，这是否意味着 X 将类似于 (s x t) ?对不起，我有点困惑。感谢您的宝贵时间。
在给定当前数据集的情况下，您可以只使用常规的全连接网络。否则，在 RNN 情况下：X = [X(0), X(1), ..., X(N)]，其中 X(t) = [静态特征，时间步 t 的销售额]，并且 y = [时间步长 t+1 的销售额]。在隐藏编码的情况下，需要一个变换【静态特征】→h(0)，其中h(0)为隐藏层初始化