TF 2.0 LSTM：如何用于支出预测？答案

【问题标题】：TF 2.0 LSTM: How to use for a Spending prediction?TF 2.0 LSTM：如何用于支出预测？
【发布时间】：2020-10-21 18:18:48
【问题描述】：

我想使用 TensorFlow 2.0 中的 LSTM 来预测所有客户在下个月的支出（这可能不是常见的 LSTM 用例）。我的数据有 10k 个客户每月的支出数据。

格式：

Customer ID,  time(yyyymm), target(spending), age, gender,  all other features.....
customer 1,   201912,       100
customer 1,   201911,       200
...
customer 1,   201402,       300
customer 1,   201401,       100
customer 2,   201912,        0
....
customer 2,   201401,       50
customer 3,   201912,       100
....
customer 10k, 201401

LSTM 的输入有 4 个维度：(10k customers * 60 months samples * 3 timesteps (quarterly) * 100 features)。通常 LSTM 需要 3 个维度：(nb_samples, timesteps, features)

我的问题：

我想我仍然不确定我的数据的正确方法是什么。我将我的起始代码放在下面，但我认为我的某些低估是不正确的：

lstm_input = tf.keras.layers.Input(shape=(60,3,100), name='lstm_input') 
x = tf.keras.layers.LSTM(64, name='lstm_0',return_sequences=True)(lstm_input)
x = tf.keras.layers.GlobalMaxPooling1D()(x)
....

我应该改变什么以使我的数据适合 LSTM 或 RNN 模型？

更新

我想我可能需要像下面这样输入？还是应该使用 RNN/LSTM 来建模？

  [         Month1                    Month2                  ...  Month60
customer 1: [[fe1(1,1)...fe100(1,1)], [fe1(1,2)...fe100(1,2)],... ,[fe1(1,60)...fe100(1,60)]]
customer 2: [[fe1(2,1)...fe100(2,1)], [fe1(2,2)...fe100(2,2)],... ,[fe1(2,60)...fe100(2,60)]]
  ....
customer N: [[fe1(n,1)...fe100(n,1)], [fe1(n,2)...fe100(n,2)],... ,[fe1(n,60)...fe100(n,60)]]
  ]

【问题讨论】：

标签： python tensorflow keras lstm

【解决方案1】：

也许这个观察会有所帮助。为每个客户获取每个月的总支出。这样，您就有了固定数量的时间步长（60 个月）和 10k 个样本。我假设你知道here 解释的所有术语。

我也不明白*3（季度）部分，数据是按三个月采样的吗？

【讨论】：

好吧，我想我最初的想法是不正确的。我最初将 *3（每季度）视为时间步长。现在我觉得我应该删除它并将最终输入数组设为 3d（10k，60 个月，100 个特征）并将其输入 LSTM。我不知道这是否是一个好习惯？