使用带有 Keras 的 LSTM 神经网络预测天气数据

Question

我花了几个月的时间阅读无数的帖子，但我仍然像最初一样感到困惑。希望有人可以提供帮助。

问题：我想使用时间序列来预测特定位置的天气数据。

设置：

X1 和 X2 都是包含 10 年的每日指数值的向量（每个向量中的总值 3650）。

Y 是纽瓦克机场 (T) 的温度时间序列，持续 10 年（3650 天）。

有充分的理由证明X1 和X2 可以用作Y 的预测变量。因此，我将所有内容分解为 100 天的窗口并创建以下内容：

X1 = (3650,100,1)
X2 = (3650,100,1)

这样窗口 1 包含从 t=0 到 t=99 的值，窗口 2 包含从 t=1 到 t=100 的值等。（假设我最后有足够的额外数据，我们仍然有 3650窗户）。

我从其他教程中学到的是，要进入 Keras，我会这样做：

X = (3650,100,2) = (#_of_windows,window_length,#_of_predictors) 我通过合并 X1 和 X2 得到。

然后我有这个代码：

model = Sequential()
model.add(LSTM(1,return_sequences=True,input_shape=(100,2)))

model.add(LSTM(4))
model.add(Dropout(0.2))

model.compile(loss='mean_square_error',optimizer='rmsprop',shuffle=True)
model.fit(X,Y,batch_size=128,epochs=2) # Y is shape (3650,)

predictions = model.predict(?????????????)

所以我的问题是，如何设置 model.predict 区域以获取 N 未来天数的预测？有时我可能需要 2 天，有时我可能需要 2 周。我只需要取回N 值（形状：[N,]），我不需要取回窗口或类似的东西。

非常感谢！

Answer 1

您可以预测的唯一格式是您训练模型的格式。如果我理解正确，您对模型的训练如下：

您使用大小为 100 的窗口（即，有时为 T-99,T-98,...,T 的特征）来预测目标在时间 T 的值。

如果确实如此，那么您可以对模型做的唯一事情就是进行相同类型的预测。即你可以提供100天的特征值，让模型在这100天中预测最后一天的目标值。

如果您希望它能够预测 N 天，您必须相应地训练您的模型。也就是说，Y 中的每个元素都应该由 N 天的序列组成。 Here 是一篇博客文章，描述了如何做到这一点。