Keras 基于不同年度目标数据使用LSTM预测每周结果

使用每周的天气数据，我试图使用python/keras预测全年年底的目标值。但是年度数据是基于天气的，年底的单一标记目标数据是小麦产量

因此，我想说的是，在第10周，天气已经非常寒冷了3周，因此本季末的预期产量将低于预期。我大概有20个天气变量，每一个都被分解并汇总成每周的特征。例如，我有30周的ave_temp_week1、ave_temp_week2和avg_precip_week1、avg_precip_week2，等等，总共有1000个功能。还有一个收益率趋势特征，显示了我所掌握的六年数据的趋势。我对产量有几十万次观察，如果需要的话，可以按县进行汇总

• 一个问题是：这是一个应该按年分割的LSTM时间序列问题吗？（培训=2013-2018，测试=2109）或者这是一个可以随机拆分的LSTM顺序问题（培训/测试=80/20）
  

• 第二个问题是最重要的：在这两种情况下，LSTM输入的形状是什么样的
  

---

（这是我的第一个堆栈溢出问题，如果我做了一些不适当的事情，请道歉）。

我想这个问题也可以通过创建一个常规的顺序模型来解决。如果根据周数（比如一年中1到52周）分割数据，则根据周值（即第1,52周的平均值、标准值、最大值、最小值）创建要素列。然后，您可以按任意随机值进行分割，并确保这些新功能作为输入输入到您的NN模型。

感谢您的回复。然而，我仍然困惑于如何在第10周得到一个想法，即根据当时的天气数据，在季节结束时，产量是否会保持良好？我的目标，如果我不清楚的话，很抱歉，不是预测季末收益率，而是在今年早些时候得到一个关于它是否在正轨上的想法，以便能够管理预期。我肯定我遗漏了明显的信息。有什么想法吗？