强制 LSTM Keras 使用时间序列依赖

Question

我有两个时间序列 A 和 B：

A: 1,2,3,1,2,3,3,3,1,2,3,3,3  
B: 0,0,1,0,0,1,1,1,0,0,1,1,1

这个简单的训练集说信号 B 与 A 相关。实际上每次 A 等于 3，在同一时间戳，在 B 中，值是 1。

我介绍上面的例子只是为了解释我的问题。当我使用带有 Keras 的 LSTM 预测数据时，我希望模型能够从系列中理解这种依赖关系。

现在我使用这个配置：

model.add(keras.layers.LSTM(hidden_nodes, activation='sigmoid', input_dim=num_features, input_length=window, consume_less="mem"))
model.add(keras.layers.Dense(num_features, activation='sigmoid'))

optimizer = keras.optimizers.SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)

但我看到 LSTM 预测值没有明显使用时间序列之间的依赖关系。如果我以 5 的窗口进行预测，以预测下一个点：

A: [1,2,3,1,2]
B: [0,0,1,0,0]

我希望 LSTM 给我 A 的值 3 和 B 的值 1，因为下面的训练集说明了这一点。

问题是我的网络似乎在使用信号时没有对信号依赖性给予适当的重视。

Answer 1

你应该只有一个系列有两个功能。

如果 A 和 B 是列表（不是 numpy 数组）：

fullSeq = np.array(A + B)
#this shape is (lenA + lenB,)

fullSeq = fullSeq.reshape((2,len(A)))
fullSeq = fullSeq.swapaxes(0,1).reshape((1,len(A),2))

#make sure that the resulting array is something like [[[1,0],[2,0],[3,1],...]]

现在您有一个带有num_features=2 的序列。 A和B现在完全依赖了。