如何在python中使用LSTM將預測值的輸出反饋回輸入

Question

這里的輸入是3。這里的輸出（LSTM）是下一個x1輸入應該是的概率。 意味着這里我有x1x2和x3輸入值。 首先輸入三個LSTM output1，然后如果x1值= 0，則返回Lstm output1作為輸入並預測下一個output2。 如果此輸出2的值等於下一個x1的值，則返回至輸入並預測輸出3。如果不相等，則不將輸出2用作x1的輸入，並將其作為x1的輸入。 時間步t的輸出（Yt）取決於輸入X1t和先前的輸出Yt-1。 舉個例子

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

這里x1列的第二個值是0，x1值= 0，然后將該值作為輸出1

x1 = output1

這里x1列的第3個值被測量，輸出2值不等於x1第3個值。 然后將輸入作為測量值。 這就是我想要的方法。 但是我不知道怎么寫。 誰能幫助我做到這一點？ 我的LSTM代碼：

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])

但這是行不通的。 輸入和輸出之間沒有關系。

錯誤：

更改代碼后：

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])

錯誤：

另一個例子：這里我有三個輸入數據x1，x2，x3具有時間序列的數據。 我想每1小時預測一次價值。 （在t + 1時）我有一個y列，每隔一小時（t + 1）就會獲得價值。 但是有時候我兩個小時后才測得值。 因此，在過去的時間和現在的時間之間，存在一個未在t + 1處測量的值。 因此，我將預測在t + 1時未測量的值。 這里的x1值取決於t + 1處的輸出值（y）。 當我預測該時間段的值作為y1（t + 1）時，該值應將其讀取為x1值x1（t）才能預測下一個在t + 1（y2）處的輸出值。 如果我在t + 1處測量了該值，則如果我的預測值==測量值，則將該值讀取為x1（t）以預測在t + 1處的下一個值。 這是我想將其編寫為代碼的過程。 這里的例子：

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

當我使用LSTM預測時，如果該值為==測量值（t + 1），則將其讀取為x1（t）列的第二個輸入值。 如果不相等，則將測量值讀取為x1（t）的第二輸入值。 所以

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

然后，我預測t + 1 = y2處的值，假設它是70，則y2（t + 1）值將作為x1（t）作為x1列的第三個輸入。 所以

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

這是我要使用LSTM運行它的過程。

Answer 1

您應該使用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]])) 。