python - 如何使用深度学习模型进行时间序列预测？

Question

我有机器记录的信号 (m1, m2, so on) 28 天。 (注意:每天的每个信号长度为 360)。

machine_num, day1, day2, ..., day28
m1, [12, 10, 5, 6, ...], [78, 85, 32, 12, ...], ..., [12, 12, 12, 12, ...]
m2, [2, 0, 5, 6, ...], [8, 5, 32, 12, ...], ..., [1, 1, 12, 12, ...]
...
m2000, [1, 1, 5, 6, ...], [79, 86, 3, 1, ...], ..., [1, 1, 12, 12, ...]

我想预测 future 3天每台机器的信号序列。即在 day29 , day30 , day31 .
但是，我没有天数 29 的值, 30和 31 .所以，我的计划如下使用 LSTM模型。

第一步是获取 day 1 的信号并要求预测 day 2 的信号，然后在下一步中获取 days 1, 2 的信号并要求预测 day 3 的信号等，所以当我到达 day 28,网络拥有多达 28 个的所有信号，并被要求预测 day 29 的信号。 ， 等等。

我尝试做一个单变量 LSTM 模型，如下所示。

# univariate lstm example
from numpy import array
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense
# define dataset
X = array([[10, 20, 30], [20, 30, 40], [30, 40, 50], [40, 50, 60]])
y = array([40, 50, 60, 70])
# reshape from [samples, timesteps] into [samples, timesteps, features]
X = X.reshape((X.shape[0], X.shape[1], 1))
# define model
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(3, 1)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
# fit model
model.fit(X, y, epochs=1000, verbose=0)
# demonstrate prediction
x_input = array([50, 60, 70])
x_input = x_input.reshape((1, 3, 1))
yhat = model.predict(x_input, verbose=0)
print(yhat)

然而，这个例子非常简单，因为它没有像我这样的长序列。例如，我的数据为 m1看起来如下。

m1 = [[12, 10, 5, 6, ...], [78, 85, 32, 12, ...], ..., [12, 12, 12, 12, ...]]

此外，我需要一天的预测29 , 30 , 31 .在这种情况下，我不确定如何更改此示例以满足我的需要。我想特别知道我选择的方向是否正确。如果是这样，该怎么做。

如果需要，我很乐意提供更多详细信息。

编辑:

我已经提到了 model.summary() .

Answer 1

我认为你要往好的方向发展，要增加每天的时间步长，你需要在你的数据中添加一个pad，这个例子可以帮助你:https://github.com/keras-team/keras/blob/master/examples/imdb_lstm.py#L46 .

但是，我也会尝试另一种方法，例如固定时间步数，例如 3 天、4 天、5 天……然后，评估您的火车，您可以选择最适合您的模型的时间步数。

也许你最初增加天数的方法会更好，但在这类问题中，找到 LSTM 中的最佳时间步数非常重要。