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Keras 基于不同年度目标数据使用LSTM预测每周结果,keras,deep-learning,time-series,lstm,feature-selection,Keras,Deep Learning,Time Series,Lstm,Feature Selection,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
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?