基于LSTM的Keras二维（位置）时间序列预测

我试图使用keraslstm实现来预测未来的一系列x，y对。x、y对指定二维平面中的位置。我想预测未来的60步

我有36k个数据对，我将它们分成30k用于训练，5880k用于测试。我通过创建一个形状（30000，60，2）的3D数组来准备训练数据，其中每个元素都是训练数据的一个60长度的滚动片段，例如[x0，y0]，[x1，y1]，[x59，y59]，[x1，y1]，[x2，y2]，[x60，y60]。。。[x30000，y30000]，[x30001，y30001]。。。[x30059，y30059]]。目标数据完全相同，仅偏移60个元素。基本上是用60对来预测接下来的60对

我得到以下错误，表明模型期望目标数据只有两个维度

ValueError：检查模型目标时出错：预期lstm_1有2个维度，但得到了形状为（30000,60,2）的数组

看起来模型忽略了我的数据是二维的这一事实。很明显，我在概念上遗漏了一些东西，但我不确定它是什么。如果有人能让我走上正轨，我将不胜感激

这是我的密码：

import numpy as np
from numpy import genfromtxt

from keras.models import Sequential
from keras.layers import Dense, LSTM, Activation, GRU, Dropout

TRAINING_SET_SIZE = 30000
epochs = 1

original_data = genfromtxt('training_data.txt', delimiter=',', dtype='int')

training_set = []
for i in range(len(original_data) - 120):
    training_set.append(original_data[i:i+120])
training_set = np.array(training_set)

train_input = []
train_output = []
for i in range(TRAINING_SET_SIZE):
    train_input.append(training_set[i][0:60])
    train_output.append(training_set[i][60:120])

train_input = np.array(train_input)
train_output = np.array(train_output)

test_input = []
test_output = []
for i in range(TRAINING_SET_SIZE, len(original_data) - 120):
    test_input.append(training_set[i][0:60])
    test_output.append(training_set[i][60:120])

test_input = np.array(test_input)
test_output = np.array(test_output)

s = (train_input.shape[1], train_input.shape[2])

model = Sequential()
model.add(LSTM(60, input_shape=s, unroll=True))
model.compile(loss='mean_squared_error', optimizer='adam')

model.summary()
print("Inputs: {}".format(model.input_shape))
print("Outputs: {}".format(model.output_shape))
print("Actual input: {}".format(train_input.shape))
print("Actual output: {}".format(train_output.shape))

print('Training')
model.fit(train_input, train_output, validation_split=0.2, batch_size=1, epochs=epochs, verbose=1, shuffle=False)

model.save('my_model.h5')

score = model.evaluate(test_input, test_output, batch_size=1)
print(score)

print('Predicting')
predicted_output = model.predict(test_input, batch_size=1)

---

首先，您需要在网络中设置一个输出层，其大小与您的输出数据

模型相同。在LSTM层之后添加（密集（2））

，非常感谢您的回答。我这样做了，但我仍然得到同样的错误，只是这次是从致密层。我希望输出形状为（60，2），即60个二维样本。我的训练输出的形状是（30000,60,2），也将

return\u sequences=True

添加到你的LSTM层再次训练！这实际上使它运行起来。我得到了一个大小为（5880，60，2）的预测输出，这是有意义的。但是，每个元素都是1.0。你知道为什么会这样吗？你是否在规范化你的输入数据？我哪儿都看不到。此外，对于回归，您在输出层上的激活应该是线性的。首先，您需要在网络中有一个输出层，输出数据的大小<代码>模型。在LSTM层之后添加（密集（2））非常感谢您的回答。我这样做了，但我仍然得到同样的错误，只是这次是从致密层。我希望输出形状为（60，2），即60个二维样本。我的训练输出的形状是（30000,60,2），也将

return\u sequences=True

添加到你的LSTM层再次训练！这实际上使它运行起来。我得到了一个大小为（5880，60，2）的预测输出，这是有意义的。但是，每个元素都是1.0。你知道为什么会这样吗？你是否在规范化你的输入数据？我哪儿都看不到。对于回归，输出层上的激活应该是线性的