LSTM-多元時間序列預測

Question

我正在閱讀Keras中關於LSTM的多變量時間序列預測的教程https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/#comment-442845

我遵循了整個教程，並陷入了如下問題：

在本教程中，訓練和測試拆分具有8個功能，即在步驟“ t”處的“污染”，“露水”，“溫度”，“壓力”，“ wnd_dir”，“ wnd_spd”，“雪”和“雨” -1”，而輸出特征在當前步驟“ t”處為“污染”。 這是因為，給定前一小時/時間步驟“ t-1”的污染和天氣測量值，將數據集作為監督學習問題的框架是關於預測當前小時/時間步驟“ t”的“污染”

在將模型擬合到訓練和測試數據分割之后，如果我要對具有7個特征的新數據集進行預測，因為該模型中沒有“污染”特征，而我明確地只想使用其他7個功能。

謝謝你的幫助！

我該如何處理這種情況？ （而其余7個功能保持不變）

編輯-假設我的數據集在訓練/擬合模型時具有以下3個特征-shop_number，item_number，number_of_units_sold

之后，我訓練了LSTM模型，得到了一個具有“ shop_number”和“ item_number”特征的數據集。 數據集不具有“ number_of_units_sold”。

“ LSTM”中的“ input_shape”參數在訓練時具有1個時間步長和3個特征。 但是在預測時，我只有1個時間步長，但只有2個特征（因為我必須預測“ number_of_units_sold”）。

那么我該如何進行呢？

Answer 1

如果污染是最后一個特征：

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，僅此而已。 不要使用Flatten，Global池或任何刪除步長維度的東西。

---

如果您根本沒有任何污染數據需要培訓，那么您就不能這樣做。