使用LSTM和keras进行时间序列预测的分类变量

Question

我有一个LSTM模型（keras），它接收6变量的过去20值作为输入，并预测其中3 6变量的未来4值。 换句话说，我有6个时间序列，我试图用它们过去的20个值来预测它们的未来值。 基本代码是：

past_time_steps = 6
future_time_steps = 4
inputs = Input(shape=(20,past_time_steps))
m = LSTM(hid, return_sequences=True)(inputs)
m = Dropout(0.5)(m)
m = LSTM(hid)(m)
m = Dropout(0.5)(m)
outputA = Dense(future_time_steps, activation='linear', W_constraint=nonneg())(m)
outputB = Dense(future_time_steps, activation='linear', W_constraint=nonneg())(m)
outputC = Dense(future_time_steps, activation='linear', W_constraint=nonneg())(m)
m = Model(inputs=[inputs], outputs=[outputA, outputB, outputC])
m.compile(optimizer='adam', loss='mae')
m.fit(x,[y1,y2, y2])

因此，输入是具有形状(500,20,6)的numpy矩阵，其中500表示样本的数量（例如，训练时间序列）。

现在，我有了新的数据，所以对于每个时间序列，我都有一个分类变量（可以有6个值： 0,1,2,3,4,5 ）。 如何将此信息添加到模型中？ 我可以添加另一个使用此变量的图层吗？ 我应该在时间序列的开头/结尾填充此变量，以便我有一个形状为(500,21,6)的输入矩阵吗？

Answer 1

One_hot_encode分类变量并以与其他时态数据相同的方式对其进行预处理。 您的时间步长不受此新数据的影响。 受影响的是仅变量的数量。

Answer 2

此主题可能会让您感兴趣： 向时间序列模型LSTM添加功能 。

您基本上有3种可能的方式：

让我们以两个不同城市的天气数据为例：巴黎和旧金山。 您希望根据历史数据预测下一个温度。 但与此同时，您预计天气会根据城市而​​变化。 你可以：

• 在开始或结束时将辅助功能与时间序列数据相结合（丑陋！）。
• 将辅助功能与RNN层的输出连接起来。 这是RNN之后的某种调整，因为RNN层不会看到这个辅助信息。
• 或者只是用条件的学习表示来初始化RNN状态（例如巴黎或旧金山）。

我写了一个库来辅助输入。 它抽象了所有的复杂性，并设计为尽可能方便用户：

https://github.com/philipperemy/cond_rnn/

实现是张量流（> = 1.13.1）和Keras。

希望能帮助到你！