具有一个热编码数据的 LSTM 的输入形状

Question

示例数据集包含用户的位置点。

df.head()

   user           tslot         Location_point
0   0   2015-12-04 13:00:00     4356
1   0   2015-12-04 13:15:00     4356
2   0   2015-12-04 13:30:00     3659
3   0   2015-12-04 13:45:00     4356
4   0   2015-12-04 14:00:00     8563

df.shape 

(288,3)

由于位置点是分类值，因此它们是热编码的。

encoded = to_categorical(df['Location_point'])

编码值如下

[[0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 ...
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]]

编码值的形状为 (288,8564)。

我试图塑造训练数据

X_trai = []
y_trai = []
for i in range(96, 288):
    X_trai.append(encoded[i-96:i])
    y_trai.append(encoded[i])
X_trai, y_trai = np.array(X_trai), np.array(y_trai)

X_trai = np.reshape(X_trai, (X_trai.shape[0], X_trai.shape[1], 1))

模型是

regressor = Sequential()

regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_trai.shape[1], 1)))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 50))
regressor.add(Dropout(0.2))

regressor.add(Dense(units = 1))

regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')

regressor.fit(X_trai, y_trai, epochs = 100, batch_size = 32)

这不是正确的模型。我是深度学习的新手。我试图查看一些示例，但无法理解一种热编码。如果有人能解释输入形状、输出形状和正确的模型，我将不胜感激。

The input is the sequence of the location points and the output is to predict
 the next location point for that user.

Answer 1

输入形状取决于您的数据，如果您有一个包含 288 个时间步长和 8564 个特征的样本，那么您的输入形状将是 (batch_size=1, timesteps=288, n_features=8564)，如果您有 288 个样本单个时间步长（batch_size=288, timesteps=1, n_features=8564）。

无论如何，这里有一个关于如何为 LSTM 模型准备数据的教程。 https://machinelearningmastery.com/reshape-input-data-long-short-term-memory-networks-keras/ https://machinelearningmastery.com/how-to-one-hot-encode-sequence-data-in-python/

LSTM 的输入形状如下：

形状为 (batch_size, timesteps, input_dim) 的 3D 张量，（可选）形状为 (batch_size, output_dim) 的 2D 张量。

Timesteps 将是您的时间序列序列长度，input_dim 是您拥有的特征数量，在这种情况下，因为它们是一个热编码的，所以它将是 8564。

输出形状将取决于模型的架构。

• 第一层为您提供（batch_size、timesteps、units）的输出
• 第二层：(batch_size, timesteps, units)
• 第三层：(batch_size, units)
• 最后一层：(batch_size, 1)

不过，您可以通过以下方式检查您的模型输入/输出形状：

regressor.input_shape & regressor.output_shape

最后，您为什么不将 Location_point 视为数字变量？