如何在python中使用LSTM将预测值的输出反馈回输入

Question

这里的输入是3。这里的输出（LSTM）是下一个x1输入应该是的概率。 意味着这里我有x1x2和x3输入值。 首先输入三个LSTM output1，然后如果x1值= 0，则返回Lstm output1作为输入并预测下一个output2。 如果此输出2的值等于下一个x1的值，则返回至输入并预测输出3。如果不相等，则不将输出2用作x1的输入，并将其作为x1的输入。 时间步t的输出（Yt）取决于输入X1t和先前的输出Yt-1。 举个例子

x1   x2    x3    predict (output)
100  30    40     120
 0   20    10     130
140  15    30     160

这里x1列的第二个值是0，x1值= 0，然后将该值作为输出1

x1 = output1

这里x1列的第3个值被测量，输出2值不等于x1第3个值。 然后将输入作为测量值。 这就是我想要的方法。 但是我不知道怎么写。 谁能帮助我做到这一点？ 我的LSTM代码：

fit1 = Sequential ()
fit1.add(LSTM(32, return_sequences=True, activation='relu',input_shape=(3,1)))
fit1.add((LSTM(32, return_sequences=True)))
fit1.add(LSTM(32))
fit1.add(Dense(1))
batchsize = 3
fit1.compile(loss="mean_squared_error",optimizer="adam")
fit1.fit(x_train , y_train , batch_size = batchsize, nb_epoch =10,shuffle=True)
pred1=fit1.predict(x_test)
for i in range(len(x)):
    pred1.append(fit1.predict([x[i,None,:],pred1[i]]))
pred1 = np.asarray(pred1)
pred1 = pred1.reshape(pred1.shape[0],pred1.shape[2])

但这是行不通的。 输入和输出之间没有关系。

错误：

更改代码后：

for i in range(len(x)):
pred1 = np.append(pred1, fit1.predict([x[i,None,:],pred1[i]]))
pred1 = np.asarray(pred1)
pred1 = pred1.reshape(pred1.shape[0],pred1.shape[2])

错误：

另一个例子：这里我有三个输入数据x1，x2，x3具有时间序列的数据。 我想每1小时预测一次价值。 （在t + 1时）我有一个y列，每隔一小时（t + 1）就会获得价值。 但是有时候我两个小时后才测得值。 因此，在过去的时间和现在的时间之间，存在一个未在t + 1处测量的值。 因此，我将预测在t + 1时未测量的值。 这里的x1值取决于t + 1处的输出值（y）。 当我预测该时间段的值作为y1（t + 1）时，该值应将其读取为x1值x1（t）才能预测下一个在t + 1（y2）处的输出值。 如果我在t + 1处测量了该值，则如果我的预测值==测量值，则将该值读取为x1（t）以预测在t + 1处的下一个值。 这是我想将其编写为代码的过程。 这里的例子：

time     x1(t)     x2(t)     x3(t)     y(t+1)
6:00:00  120        0         0         110 (I measured it at t+1)

当我使用LSTM预测时，如果该值为==测量值（t + 1），则将其读取为x1（t）列的第二个输入值。 如果不相等，则将测量值读取为x1（t）的第二输入值。 所以

7:00:00  110       40         10         0  (not measured value at t+1)

然后，我预测t + 1 = y2处的值，假设它是70，则y2（t + 1）值将作为x1（t）作为x1列的第三个输入。 所以

8:00:00  70        0          30         200 (I measured value at t+1)

这是我要使用LSTM运行它的过程。

Answer 1

您应该使用pred1 = np.append(pred1, fit1.predict([x[i,None,:],pred1[i]]))而不是pred1.append(fit1.predict([x[i,None,:],pred1[i]])) ， pred1.append(fit1.predict([x[i,None,:],pred1[i]])) 。