Keras 神经网络能否基于其他时间序列预测时间序列?
我想根据两个不同的时间序列X2和X3预测一个包含n个点的时间序列X1,每个时间序列也包含n个点。这些时间序列相互作用,所以我希望使用与组合图像类似的方法来生成另一个图像 到目前为止,我已经成功地实现了一个自动编码器来学习和返回所有时间序列(X1、X2、X3)。当我试图建立一个神经网络,仅使用X2和X3预测X1(3000个单位)时,模型没有编译,我得到一个错误:Keras 神经网络能否基于其他时间序列预测时间序列?,keras,neural-network,time-series,conv-neural-network,Keras,Neural Network,Time Series,Conv Neural Network,我想根据两个不同的时间序列X2和X3预测一个包含n个点的时间序列X1,每个时间序列也包含n个点。这些时间序列相互作用,所以我希望使用与组合图像类似的方法来生成另一个图像 到目前为止,我已经成功地实现了一个自动编码器来学习和返回所有时间序列(X1、X2、X3)。当我试图建立一个神经网络,仅使用X2和X3预测X1(3000个单位)时,模型没有编译,我得到一个错误: Error when checking target: expected sequential_9 to have 2 dimensio
Error when checking target: expected sequential_9 to have 2 dimensions, but got array with shape (61, 3000, 1, 1)
在不同的组合中,它在展平\ux
或密集\ux
处断裂。
如果我的输出只有一个单位,而不是3000,它就可以工作
我尝试的网络将具有以下层:
Layer (type) Output Shape Param #
=================================================================
input_8 (InputLayer) (None, 3000, 2, 1) 0
_________________________________________________________________
conv2d_10 (Conv2D) (None, 3000, 2, 32) 96
_________________________________________________________________
max_pooling2d_7 (MaxPooling2 (None, 1500, 2, 32) 0
_________________________________________________________________
flatten_7 (Flatten) (None, 96000) 0
_________________________________________________________________
dense_6 (Dense) (None, 3000, 1, 32)
下面是我用来创建网络的代码:
network = Sequential((
Conv2D(filters=32, kernel_size=(1,2), activation='relu', input_shape=(x, y, inChannel)),
MaxPooling2D(pool_size = (2, 1)),
Flatten(),
Dense(3000, activation='relu'),
))
network.compile(loss='mean_squared_error', optimizer = RMSprop())
输入具有形状(61、3000、2、1)
我是否应该在某个地方指定预期的输入/输出,而我没有这样做?在途中进行一些数据转换?也许使用不同的架构
谢谢你的建议 您编码的网络没有您想要的架构 如果你打印出来
network.summary()
你得到
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d_6 (Conv2D) (None, 3000, 1, 32) 96
_________________________________________________________________
max_pooling2d_6 (MaxPooling2 (None, 1500, 1, 32) 0
_________________________________________________________________
flatten_6 (Flatten) (None, 48000) 0
_________________________________________________________________
dense_6 (Dense) (None, 3000) 144003000
=================================================================
Total params: 144,003,096
Trainable params: 144,003,096
Non-trainable params: 0
因此,您必须更改架构以获得所需的输出形状