LSTM中的Keras输出尺寸不匹配

Question

我一直在研究销售预测模型。该模型必须预测未来 11 天的产品销售情况。

数据集是这种形式： Productid, Sales_on_date_1,........Sales_on_date_142 我将前 131 个样本作为产品的特征集，并将 11 个样本作为标签。

共有 1636 种产品。我已将此建模为多元多步时间序列预测。

有 142 个时间步。

每个产品有 1 个样品。

我的代码如下：

    X=train_data[:,:131]
    y=train_data[:,131:]
    X=X.reshape((1,131,1636))
    y=y.reshape((1,11,1636)) 
    model=Sequential()
    model.add(LSTM(units=50,return_sequences=True,input_shape=(X.shape[1],X.shape[2])))
    model.add(Dropout(0.2))
    model.add(Dense(units=11))
    model.compile(optimizer = 'adam', loss = 'mean_squared_error')  
    model.fit(X, y, epochs = 100, batch_size = 1)

这是我得到的错误。

ValueError: 检查目标时出错：预期 dense_3 的形状为 (131, 11)，但得到的数组的形状为 (11, 1636)

我是第一次做 LSTM。有人可以帮助我了解如何对标签数据的维度进行建模吗？

Answer 1

由于您想一次预测一种产品，因此您的训练数据的形状应为 (#ofSamples, sizeOfSample, sampleDimensions)，在您的情况下为 (1636, 311, 1)，而您的标签应为 (1636, 11)。这意味着您不必重塑数据，只需向X 添加维度。试试这个：

X=train_data[:,:131,np.newaxis]
y=train_data[:,131:]
model=Sequential()
model.add(LSTM(units=50,return_sequences=True,input_shape=(X.shape[1],X.shape[2])))
model.add(Dropout(0.2))
model.add(Dense(units=11))
model.compile(optimizer = 'adam', loss = 'mean_squared_error')  
model.fit(X, y, epochs = 100, batch_size = 1)