如何将多个时间序列集输入 LSTM 模型进行预测？答案

【问题标题】：How to feed multiple time series sets into LSTM model for prediction?如何将多个时间序列集输入 LSTM 模型进行预测？
【发布时间】：2019-09-01 05:06:53
【问题描述】：

我正在尝试获取 this 数据集并预测一段时间内的新闻受欢迎程度。

该数据集由 145 列组成（1 是链接到单独文件中实际新闻报道的 ID，2 - 145 表示 144 个 20 分钟的时间片，其中一行中的每个单元格记录相应的流行程度新闻报道）。

我已经将数据集“Facebook_Economy.csv”标准化为 0 到 1 的范围。目前我只能将一个时间序列集输入到我的模型中（训练 ~100 个时间片并测试 ~44 个时间片）。我的目标是对 144 个时间片的几行进行训练并在其他几行上进行测试，例如，获取新闻故事 1-20 的时间序列数据并训练新闻故事 21-30 等。

这就是我目前将数据输入模型的方式：

def run(filename):
    series = read_csv(filename, header=0, index_col=0)

    repeats = 1
    results = DataFrame()
    timesteps = 1

    for i in range(len(series)):
        results['results'] = experiment(repeats, series.iloc[i].squeeze(), timesteps)
        # Where experiment(repeats, series, timesteps)
        print(results.describe())

同样（为了深入了解我的其余代码的外观）我一直在关注 Jason Brownlee 的 this 教程以获得一些指导。

【问题讨论】：

标签： python-3.x tensorflow machine-learning keras time-series

【解决方案1】：

我不确定我是否很好地理解了这个问题，但我想我已经做过类似的事情了。首先，您必须将所有功能堆叠在一个数组中。我发现这个链接很有帮助：https://machinelearningmastery.com/how-to-develop-lstm-models-for-multi-step-time-series-forecasting-of-household-power-consumption/

这是我使用的代码：（fen_pred = 输入大小，n_output = 输出大小）

    dataset_train_features = np.hstack((dataset_train,new_features_train,ssa_feature1_train,ssa_feature2_train))

    dataset_train_labels = dataset_train

    features_set = list()  
    labels = list() 

    # X_train

    for i in range(fen_pred, len_train):  
        if(len(dataset_train_features[i:i+n_output])<n_output):
            break
        features_set.append(dataset_train_features[i-fen_pred:i])

    for i in range(fen_pred, len_train):  
        if(len(dataset_train_labels[i:i+n_output])<n_output):
            break
        labels.append(dataset_train_labels[i:i+n_output])

    X_train=np.array(features_set)    
    y_train=np.array(labels)

（请注意，我想预测一个时间序列的时间步长，这就是为什么我不预测多个特征）

在您的情况下，我将编辑数组 dataset_train_features，在该数组中添加训练模型所需的每个特征，然后重现此技术以创建您的测试集。

【讨论】：