用于时间序列的深度学习 Keras 简单 RNN，预测多个答案

【问题标题】：Deep Learning Keras Simple RNN for Time Series, predict multiple用于时间序列的深度学习 Keras 简单 RNN，预测多个
【发布时间】：2020-04-22 12:02:05
【问题描述】：

我对深度学习很陌生，因此研究了如何使用 Keras 解决时间序列问题。然而，这些是完全不同的。让我解释一下我在 Python 中的问题：附加enter image description here 我有一个数据框：行代表美国的每个城市（行=样本），每列代表 1985-2018 年之间的时间序列，显示每年的平均温度（列=每年的平均温度）-因此，年份的时间序列是一个单独的特征列。

现在的任务是预测每个城市 2019 年、2020 年、2021 年、2022 年的温度。

为此，我想应用滚动窗口技术。

1)现在，要在 Python Keras 中应用简单 RNN，我将如何构造输入和输出维度？ X_train 需要是 X.shape=(cities, time_steps,features) 还是实际上是 4-dim: (number_of_batches,time_steps,features*cities)？

尤其是，我如何构建模型来预测每个城市的每年？

我不明白这个问题。非常感谢您的帮助！

enter code here

【问题讨论】：

请将您的示例数据发布为文本而不是图像

标签： python tensorflow keras

【解决方案1】：

首先，您必须正确定义您的问题，即输入、输出和特征。关于您的第一个问题，Keras 3d 输入形状定义为 (batch_size, timesteps, features)，其中 batch_size 是模型在反向传播之前看到的观察次数（您必须优化此超参数），timesteps 是在您的数据中排序。在您的情况下，您可以使用 1. Features 是您正在使用的功能数量。从您显示的数据图像中，我假设您仅使用城市的温度作为特征。

当您转置数据表时，这会变得更加直观。因此，您的输入形状可能是这个 Xshape = (10, 1, 6)。

对于您的第二个问题，我建议您遵循this website 上众多出色的时间序列预测之一。

【讨论】：

感谢您的回复！我以为每年都是一个特征，所以33个特征？如果我创建一个大小为 4 的窗口，那么以 1985-1988 来预测 1989 等等会怎样？为什么 6 作为特征尺寸？我想在每个城市的窗口大小之后预测每年的温度......
缩小问题的大小可以帮助您理解术语。以洛杉矶的时间序列为例。每个时间步长都被认为是对洛杉矶温度的观察。在 1985 年，您采样了 27 个。当您保持采样温度时，您创建了一个时间序列或特征序列。您可以将特征视为输入数据之一的特定类别。现在，根据 LA 的温度历史，您可以预测 2019 年 LA 的温度。最后，如果您认为其他城市的温度可以帮助您预测输出，您可以将它们添加为额外特征，因此6.