如何将 4D 张量输入 LSTM 模型？

Question

我想使用 LSTM 模型来预测未来的销售额。

数据如下表。

date	store	family	sales
01/01/2013	1	AUTOMOTIVE	0
01/01/2013	1	BABY CARE	0
01/01/2013	1	BEAUTY	1
..	.	..	.
01/01/2013	2	AUTOMOTIVE	0
01/01/2013	2	BABY CARE	0
..	.	..	.
01/01/2013	50	AUTOMOTIVE	0
..	.	..	.
01/02/2013	1	AUTOMOTIVE	0
01/02/2013	1	BABY CARE	50
..	.	..	.
01/02/2013	2	AUTOMOTIVE	500
01/02/2013	2	BABY CARE	0
..	.	..	.
01/02/2013	50	AUTOMOTIVE	0
..	.	..	.
..	.	..	.
12/31/2015	1	AUTOMOTIVE	0
12/31/2015	1	BABY CARE	50
..	.	..	.
12/31/2015	2	AUTOMOTIVE	500
12/31/2015	2	BABY CARE	0
..	.	..	.
12/31/2015	50	AUTOMOTIVE	0
..	.	..	.

每天有 50 家商店。
对于每个商店，它都有不同类型的家庭（产品）。 （它们都井井有条，感谢上帝）。
最后，对于每种类型的家庭，它都有自己的销售额。

这就是问题所在。

LSTM模型的输入维度为(Batch_Size, Sequence_Length, Input_Dimension)。它是一个 3D 张量。

但是，就我而言，我的 Input_Dimension 是 2D，即 (rows x columns)
rows：行数一天内，即 1782
列：特征数，即 2（商店和家庭）

有没有一种好方法可以让我的数据变成可以输入 LSTM 模型的形状？

非常感谢！

Answer 1

我想出的解决办法是把每天的整个数据做成一个long long long的序列。 所以维度是一维的，可以输入到 LSTM 模型中。

但我认为这不是最佳解决方案。

有人想出更好的答案吗？ 欣赏。

Answer 2

这个概念很简单。然而，它在学习和预测过程中的工作方式不同，所以我将分别解释这两种情况。

• 对于训练，您只需将您选择作为训练数据的序列部分切割成更小的时间点子序列。 （您需要这样做，因为网络在这些子序列的持续时间内是“展开”的，它不能太大；如果没有明显的选择，32 或 64 时间步应该是一个很好的起点。）为了最大限度地利用您的数据，您还希望您的子序列有一些重叠。 TF 和 PyTorch 都应该有一些帮助函数来帮助你获得这个（例如tf.keras.utils.timeseries_dataset_from_array）。您可能会发现这篇文章很有用：https://mobiarch.wordpress.com/2020/11/13/preparing-time-series-data-for-rnn-in-tensorflow/

• 对于预测，您可以通过重塑来提供您的序列，使其成为第一维大小为 1 的 3D 张量。NumPy 中的 reshape 或 newaxis 都可以为您提供。当然，您不需要提供整个序列，只需返回足够数量的时间步长作为上下文，以使 RNN 的状态收敛到适当的值。