如何为时间序列预测建立Keras LSTM？

我有一个600个连续点（x（t），y（t））的训练批次，x（t）是25维向量，y（t）是我的目标（1维）。我想训练一个LSTM来预测在给定一些额外的x（t）[t>600]的情况下，该系列将如何继续。我尝试了以下模式：

    model = Sequential() 
    model.add(LSTM(128, input_shape = (600,25), batch_size = 1, activation= 'tanh', return_sequences = True)) 
    model.add(Dense(1, activation='linear'))
    model.compile(loss='mean_squared_error', optimizer='adam')
    model.fit(trainX, trainY, epochs=20 ,verbose=2) prediction

    prediction = model.predict(testX, batch_size = 1)

拟合效果很好，但我在预测步骤中不断得到以下错误：

    Error when checking : expected lstm_46_input to have shape (1, 600, 25) but got array with shape (1, 10, 25)

我错过了什么

以下是我的形状：

    trainX.shape = (1,600,25)
    trainY.shape = (1,600,1)
    testX.shape = (1,10,25)

---

根据Keras文档，LSTM（或任何RNN）层的输入应为形状

（批次大小、时间步长、输入尺寸）

，其中输入形状为

trainX.shape=（1600,25）

因此，这意味着对于培训，您只传递一个数据，每个时间步600个时间步，每个时间步25个特性。但我有一种感觉，你实际上有600个训练数据，每个数据都有25个时间步和1个时间步。我猜您的输入形状（trainX）应该是

600x25x1

。列车目标（trainY）应为

600 x 1

如果我的假设正确，则您的测试数据应为

10 x 25 x 1

。第一个LSTM层应写为

    model.add(LSTM(128, input_shape = (25,1), batch_size = 1, activation= 'tanh', return_sequences = False)) 

---

如果您的培训数据实际上是（1600,25），这意味着您将LSTM反馈展开600次。第一个输入对第600个输入有影响。如果这是您想要的，您可以使用Keras函数“pad_sequences”向测试矩阵添加附加零，使其具有形状（1600,25）。网络应该预测零，您需要在testY中添加590个零

如果您只想说前10个时间步影响您当前的Y预测，那么您将希望将trainX变成形状（590,10,25）。输入行类似于：

model.add(LSTM(n_hid, stateful=True, return_sequences=False, batch_input_shape=(1,nTS,x_train.shape[2])))

以您想要的形式获取它的处理过程可能如下所示：

def formatTS(XX, yy, window_length):
x_train = np.zeros((XX.shape[0]-window_length,window_length,XX.shape[1]))
for i in range(x_train.shape[0]):
    x_train[i] = XX[i:i+window_length,:]
y_train = yy[window_length:]
return x_train, y_train

---

那么你的测试就可以正常工作了，因为它已经在形状（1,10,25）中了。

另外，如果y形状是正确的，他可能需要一个

TimeDistributed（densite（1））

，因为他每个时间步都有一个输出。对于2D输入，输入是（batch_size，input_size），input_shape=（25,1）意味着batch_size=25，而不是timesteps。