使用 LSTM 根据不同的年度目标数据预测每周结果答案

【问题标题】：Using LSTM to predict weekly results based on different yearly target data使用 LSTM 根据不同的年度目标数据预测每周结果
【发布时间】：2021-02-08 15:10:59
【问题描述】：

使用每周天气数据，我试图使用 python/keras 来预测全年的目标值将是多少。但每年的数据是基于天气的，而年末的单一标记目标数据是小麦产量。

所以我想说的是，在第 10 周，天气已经非常寒冷了 3 周，因此本季末的预期产量将低于预期。我可能将 20 个天气变量拆分并汇总为每个的每周特征。例如，我有 ave_temp_week1、ave_temp_week2 30 周，还有 avg_precip_week1、avg_precip_week2 等，总共有大约 1000 个特征。还有一个 yield_trend 功能可以显示我拥有的六年数据的趋势。如果需要，我可以按县汇总数十万个产量观察结果。

一个问题是：这是一个应该按年份拆分的 LSTM 时间序列问题吗？（训练 = 2013-2018 和测试 = 2109）或者这是一个可以随机拆分的 LSTM 顺序问题（训练/测试 = 80/20）。
第二个问题最重要：在这两种情况下，LSTM 输入的形状会是什么样子？

（这是我的第一个堆栈溢出问题，如果我做了不恰当的事情，请见谅）。

【问题讨论】：

标签： keras deep-learning time-series lstm feature-selection

【解决方案1】：

我想这个问题也可以通过创建一个常规的 Sequential 模型来解决。如果您根据周（例如一年中的 1 到 52）拆分数据，请根据周值创建特征列，即第 1,52 周的平均值、标准、最大值、最小值。然后，您可以按任意随机值进行拆分，并确保将这些新特征作为您的 NN 模型的输入。

【讨论】：

感谢您的回复。但是，我仍然对如何在第 10 周获得一个想法感到困惑，即根据当时的天气数据，产量是否有望在季节结束时保持良好状态？我的目标，如果我不清楚，很抱歉，不是预测季末产量，而是在今年早些时候了解它是否走上正轨，以便可以管理预期。我确定我在这里遗漏了明显的信息。有什么想法吗？