利用Keras中的LSTM预测时间序列中的多个时间步
例如,我想使用Keras中的LSTM预测时间序列的下一个点。 我通过选择利用Keras中的LSTM预测时间序列中的多个时间步,keras,keras-layer,keras-2,Keras,Keras Layer,Keras 2,例如,我想使用Keras中的LSTM预测时间序列的下一个点。 我通过选择0:p-1点作为输入特征,然后选择k点,即p:p+k-1作为输出特征,从包含所有点的列表开始构建一个数据集。我继续这个过程,将1:p作为输入特征并。。。 最后我得到两个数据帧X,输入数据是txp和y,输出数据是txk。因此,我的问题基于多对多结构 然后我的网络的第一层是: model.add(LSTM(neurons, input_shape=(X.shape[1], X.shape[2]), return_sequence
0:p-1
点作为输入特征,然后选择k
点,即p:p+k-1
作为输出特征,从包含所有点的列表开始构建一个数据集。我继续这个过程,将1:p
作为输入特征并。。。
最后我得到两个数据帧X
,输入数据是txp
和y
,输出数据是txk
。因此,我的问题基于多对多结构
然后我的网络的第一层是:
model.add(LSTM(neurons, input_shape=(X.shape[1], X.shape[2]), return_sequences=True))
但这里的时间步长是1。我的问题是如何增加时间步长。我是否应该复制
X
和y
中的一些行?我做得对吗?我在下面的链接中找到了答案。我把链接放在这里只是为了将来参考:
model.add(LSTM(neurons, input_shape=(X.shape[1], X.shape[2]), return_sequences=True))