TF 2.0 LSTM：如何用於支出預測？

Question

我想使用 TensorFlow 2.0 中的 LSTM 來預測下個月所有客戶的支出（這可能不是一個常見的 LSTM 用例）。 我的數據有 10k 客戶的每月支出數據。

格式：

Customer ID,  time(yyyymm), target(spending), age, gender,  all other features.....
customer 1,   201912,       100
customer 1,   201911,       200
...
customer 1,   201402,       300
customer 1,   201401,       100
customer 2,   201912,        0
....
customer 2,   201401,       50
customer 3,   201912,       100
....
customer 10k, 201401

它有 4 個維度用於 LSTM 的輸入： (10k customers * 60 months samples * 3 timesteps (quarterly) * 100 features) 。 通常 LSTM 有 3 個維度： (nb_samples, timesteps, features)

我的問題：

我想我仍然不確定我的數據的正確方法是什么。我把我的起始代碼放在下面，但我認為我的一些輕描淡寫是不正確的：

lstm_input = tf.keras.layers.Input(shape=(60,3,100), name='lstm_input') 
x = tf.keras.layers.LSTM(64, name='lstm_0',return_sequences=True)(lstm_input)
x = tf.keras.layers.GlobalMaxPooling1D()(x)
....

我應該改變什么才能使我的數據適合 LSTM 或 RNN 模型？

更新

我想可能是我需要像下面這樣輸入？ 或者我什至應該使用 RNN/LSTM 對其進行建模？

  [         Month1                    Month2                  ...  Month60
customer 1: [[fe1(1,1)...fe100(1,1)], [fe1(1,2)...fe100(1,2)],... ,[fe1(1,60)...fe100(1,60)]]
customer 2: [[fe1(2,1)...fe100(2,1)], [fe1(2,2)...fe100(2,2)],... ,[fe1(2,60)...fe100(2,60)]]
  ....
customer N: [[fe1(n,1)...fe100(n,1)], [fe1(n,2)...fe100(n,2)],... ,[fe1(n,60)...fe100(n,60)]]
  ]

Answer 1

也許這個觀察有幫助。 對於每個客戶，獲得每個月的總支出。 這樣你就有了恆定數量的時間步長（60 個月）和 10k 個樣本。 我假設您知道這里解釋的所有術語。

我也不明白*3（季度）部分，數據是在三個月內采樣的嗎？