使用时间分布式包装器重塑数据以拟合多元 LSTM 时间序列模型答案

【问题标题】：Reshaping data to fit a multivariate LSTM time series model with time distributed wrapper使用时间分布式包装器重塑数据以拟合多元 LSTM 时间序列模型
【发布时间】：2020-05-02 04:55:44
【问题描述】：

我有一个数据集，包含过去 7 年的每小时数据。

我正在尝试使用 train 根据所有变量（包括价格）的 168 小时（1 周）历史数据，提前 24 小时预测一个变量（价格）。

为此，我尝试构建一个带有 LSTM 层和时间分布层的 NN，但是我很难理解从每一层返回的数据的形状。

我的代码如下：

X_train.shape, Y_train.shape, X_valid.shape, Y_valid.shape, X_test.shape, Y_test.shape

((43800, 168, 6),
 (43800, 24),
 (8760, 168, 6),
 (8760, 24),
 (8574, 168, 6),
 (8574, 24))

因此，训练数据 (X) 由 43800 个样本组成，回顾了 168 小时的 6 个特征。 Y 为 43800 个样本，提前 24 小时预测每小时。这是我目前正在尝试运行模型的地方

model8 = keras.models.Sequential([
    keras.layers.LSTM(10, input_shape=(X_train.shape[1], X_train.shape[2]), return_sequences = True),
    keras.layers.LSTM(20, return_sequences= True),
    keras.layers.TimeDistributed(keras.layers.Dense(24))
])

model8.compile(loss="mape", optimizer="adam")
history = model8.fit(X_train, Y_train, epochs=2,
                    validation_data=(X_valid, Y_valid))

ValueError: Error when checking target: expected time_distributed_26 to have shape (168, 24) but got array with shape (24, 1)

任何帮助都将不胜感激，因为我不完全理解为什么时间分布层期望过去的所有 168 小时（有 24 个特征？），而不仅仅是对未来的预测。

【问题讨论】：

标签： tensorflow keras neural-network lstm recurrent-neural-network

【解决方案1】：

让我们首先考虑 X_train.shape 和 Y_train.shape。

X_train.shape 的结构如下：（样本、时间步长、特征）。

给定 (43800, 168, 6)，这意味着：

正在使用 43800 个观测值来训练模型
模型中有 168 个时间步，即模型用于校准权重更新的时间倒退。
模型中有 6 个特征，即模型中的每个时间步由 6 个特征组成。

现在，如果您指定 X_train 考虑 168 个时间步长，则 LSTM 模型预计 Y_train 由 168 个时间步长组成，即 Y_train 采用 （时间步长，样本）的形状。

您对 Y_train 的规范是错误的，因为它指定只有 1 个样本的 24 个时间步长，而 LSTM 模型期望 24 个样本的 168 个时间步长，如下所述X_train。

无论您选择多少时间步 - 它们必须在 X_train 和 Y_train 中保持一致。希望这会有所帮助。

【讨论】：