Python 如何将多个时间序列输入keras中的LSTM

我有大约1000个节点数据集，其中每个节点有4个时间序列。每个时间序列的长度正好为6。标签为

0

或

1

（即二进制分类）

更准确地说，我的数据集如下所示

node, time-series1, time_series2, time_series_3, time_series4, Label
n1, [1.2, 2.5, 3.7, 4.2, 5.6, 8.8], [6.2, 5.5, 4.7, 3.2, 2.6, 1.8], …, 1
n2, [5.2, 4.5, 3.7, 2.2, 1.6, 0.8], [8.2, 7.5, 6.7, 5.2, 4.6, 1.8], …, 0
and so on.

# create the model
model = Sequential()
model.add(Embedding(5000, 32, input_length=24))
model.add(LSTM(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

因为我有时间序列，我假设它更像是序列分类，大多数博客文章都使用了LSTM。我以前从未使用过LSTMs，这将是我的第一个keras应用程序。因此，我开始使用最基本的

顺序LSTM

模板，如下所示

node, time-series1, time_series2, time_series_3, time_series4, Label
n1, [1.2, 2.5, 3.7, 4.2, 5.6, 8.8], [6.2, 5.5, 4.7, 3.2, 2.6, 1.8], …, 1
n2, [5.2, 4.5, 3.7, 2.2, 1.6, 0.8], [8.2, 7.5, 6.7, 5.2, 4.6, 1.8], …, 0
and so on.

# create the model
model = Sequential()
model.add(Embedding(5000, 32, input_length=24))
model.add(LSTM(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

但是，我很难理解如何使用

嵌入

层向LSTM输入四个时间序列。我是否可以使用四个

嵌入层

或有其他方法解决此问题

---

如果需要，我很乐意提供更多细节。

您可以将每个节点内的每个序列视为单独的通道。因此，首先，将数据重塑为n_样本（我认为您称之为节点）、n_步骤和n_通道。对于您拥有的数据集，

n_步骤=6

和

n_通道=4

。基本上，您是在每个样本（节点）上堆叠不同的时间序列数据

然后，您可以创建您的LSTM模型。大概是这样的：

model = Sequential()
model.add(LSTM(64, input_shape=(6, 4), activation='sigmoid'))
model.add(Dense(1))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

model = Sequential()
model.add(LSTM(64, input_shape=(6, 4), return_sequences=True))
model.add(LSTM(1, input_shape=(6, 4)))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

请注意，可以使用LSTM进行不同的激活，并且不一定需要密集层。但密集层是一个额外的非线性层，可能会提高性能

您还可以堆叠LSTM层以获得更复杂的模型，如下所示：

model = Sequential()
model.add(LSTM(64, input_shape=(6, 4), activation='sigmoid'))
model.add(Dense(1))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

model = Sequential()
model.add(LSTM(64, input_shape=(6, 4), return_sequences=True))
model.add(LSTM(1, input_shape=(6, 4)))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

---

有几种方法可以构建此结构。首先，我可能只是将4个系列展平为24个数字的数组，并使用密集层

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(32, input_shape=24))
model.add(Dense(32))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

print(data.shape) # (1000, 24)
model.fit(data, target)

您可以有4个单独的输入，分别使用

LSTM

层处理4个系列。但是您需要使用函数式API。e、 g

input1 = Input(shape=(6,1))
x1 = LSTM(10)(input1)
input2 = Input(shape=(6,1))
x2 = LSTM(10)(input2)
input3 = Input(shape=(6,1))
x3 = LSTM(10)(input3)
input4 = Input(shape=(6,1))
x4 = LSTM(10)(input4)

x = concatenate([x1,x2,x3,x4])
x = Drouput(0.2)(x)
x = Dense(40)(x)
x = Drouput(0.2)(x)
output = Dense(1, activation='sigmoid')(x)

model = Model(inputs=[input1,input2,input3,input4], outputs=output)
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

print(data1.shape) #(1000,6,1)
model.fit([data1,data2,data3,data4], target)

或者，如果数据的形状为

（1000,6,4）

，则可以使用一个LSTM，并将每个序列视为单独的特征

model = Sequential()
model.add(LSTM(10, input_shape=(6,4)))
model.add(Dense(32))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

print(data.shape) # (1000, 6, 4)
model.fit(data, target)

或者你可以用CNN代替RNN

model = Sequential()
model.add(Conv1D(10, kernel_size=3, input_shape=(6,4)))
model.add(Conv1D(10, kernel_size=2))
model.add(GlobalMaxPooling1D())
model.add(Dense(10))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

print(data.shape) # (1000, 6, 4)
model.fit(data, target)

---

非常感谢你的回答。这正是我想要的。我真的很喜欢你关于使用

functional

api的建议。顺便问一下，对于初始启动，您认为我的数据量小吗（即仅考虑1000个节点）？我的另一个问题是，在函数式api模型中是否可以有

退出

层？如果是，怎么做？：）我在第二个示例中添加了几个退出层。我还意识到它没有输出层。是的，数据可能不够。取决于问题，但我认为不使用LSTM的第一个和最后一个示例更有可能在数据较少的情况下成功。还要注意，如果使用函数示例，则序列中的每个数字都需要包装在其自己的数组中。e、 g.

[[1.2]、[2.5]、[3.7]、[4.2]、[5.6]、[8.8]

，因为LSTM期望一系列1D矢量对有价值的细节进行大量分析。我会在周末运行模型，如果我遇到任何问题，我会告诉你。再次非常感谢：）