LSTM-多元时间序列预测

Question

我正在阅读Keras中关于LSTM的多变量时间序列预测的教程https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/#comment-442845

我遵循了整个教程，并陷入了如下问题：

在本教程中，训练和测试拆分具有8个功能，即在步骤“ t”处的“污染”，“露水”，“温度”，“压力”，“ wnd_dir”，“ wnd_spd”，“雪”和“雨” -1”，而输出特征在当前步骤“ t”处为“污染”。 这是因为，给定前一小时/时间步骤“ t-1”的污染和天气测量值，将数据集作为监督学习问题的框架是关于预测当前小时/时间步骤“ t”的“污染”

在将模型拟合到训练和测试数据分割之后，如果我要对具有7个特征的新数据集进行预测，因为该模型中没有“污染”特征，而我明确地只想使用其他7个功能。

谢谢你的帮助！

我该如何处理这种情况？ （而其余7个功能保持不变）

编辑-假设我的数据集在训练/拟合模型时具有以下3个特征-shop_number，item_number，number_of_units_sold

之后，我训练了LSTM模型，得到了一个具有“ shop_number”和“ item_number”特征的数据集。 数据集不具有“ number_of_units_sold”。

“ LSTM”中的“ input_shape”参数在训练时具有1个时间步长和3个特征。 但是在预测时，我只有1个时间步长，但只有2个特征（因为我必须预测“ number_of_units_sold”）。

那么我该如何进行呢？

Answer 1

如果污染是最后一个特征：

X = original_data[:,:,:-1]
Y = original_data[:,:,-1:]

如果污染是首要特征

X = original_data[:,:,1:]
Y = original_data[:,:,:1]

其他

i = index_of_pollution_feature
X = np.concatenate([original_data[:,:,:i], original_data[:,:,i+1:],axis=-1)
Y = original_data[:,:,i:i+1]

用return_sequences=True ， stative=False制作模型，仅此而已。 不要使用Flatten，Global池或任何删除步长维度的东西。

---

如果您根本没有任何污染数据需要培训，那么您就不能这样做。