Python 如何训练具有多个独立时间序列的LSTM神经网络？

假设我有3个传感器（Sa、Sb和Sc），它们只测量1月份的每日气温（朱利安时期的第1天到第31天）。假设我有3年的完整数据集，天数按顺序计算（1到365：第一年，366到730：第二年…）。 因此，我的数据集如下所示：

     -------- ------ -------
    | Sensor | Day  | Value |
    |  Sa    |   01 |  7.2  |
    |  Sa    |   02 |  7.0  |
       ...
    |  Sa    |   31 |  5.9  |
    |  Sa    |  366 |  7.4  |
    |  Sa    |  367 |  7.5  |
       ...
    |  Sa    | 1095 |  5.5  |
    |  Sb    |   01 |  6.9  |
    |  Sb    |   02 |  7.1  |
       ...
    |  Sb    | 1095 |  5.6  |
    |  Sc    |   01 |  6.8  |
       ...
    |  Sc    | 1095 |  4.1  |
     -------- ------ -------

我想预测给定t-4到t-1的时间t的值（因此x大小为3，y大小为1）。 如我们所见，我们有9个连续时间序列（Sa从第1天到第31天，Sa从第366天到第730天，Sb从第1天到第31天…）。 考虑到此场景中的批量问题，我应该如何组织我的培训集

到目前为止，考虑到“有效”序列，我将数据拆分为x/y 2D矩阵，它是：

  features_set         labels
 | x1  |  x2 |  x3 |   |   y |
 | 7.2 | 7.0 | 6.9 |   | 6.7 |   (sample 1: for Sa days 1 to 3 -> 4)
 | 7.0 | 6.9 | 6.7 |   | 6.8 |   (sample 2: for Sa days 2 to 4 -> 5)
 ...
 | 5.7 | 5.8 | 5.8 |   | 5.9 |   (sample 31: for Sa days 28 to 30 -> 31)
 | 7.4 | 7.5 | 7.4 |   | 7.3 |   (sample 32: for Sa days 366 to 368 -> 369)
 ...
 | 7.0 | 6.9 | 6.7 |   | 6.8 |   (sample 251: for Sc days 1092 to 1094 -> 1095)

注意，样本1至31是Sa第一个月的经典“移位序列”，但样本31和32之间的时间序列存在“中断”，因为样本31是第一年测量的一部分，样本32是第二年测量的一部分

如果我训练批次大小（N）为32的神经网络，我得到的最小损失函数是0.5。当我将批量大小减少到8时，我得到的损失为0.1到0.05。当批量大小为1时，我得到0.04（这似乎是可以得到的最小值）

model=Sequential（）
add（LSTM（4，input_shape=（features_set.shape[1]，1）））
模型.添加（密度（1））
compile（loss='mean\u squared\u error'，optimizer='adam'）
model.fit（特征集、标签、年代=100、批次大小=N）

（其中特征_集为251x3x1浮点矩阵，标签为251x1x1浮点矩阵）

那么，选择更大的批量是否会导致像31和32这样的样本一起批量？这是导致训练结果更差的原因吗？

---

除了使用1的批量大小之外，如何处理这种情况？

首先，我将标准化0和1之间的数据

看看更小的学习速度和更多的时代是否有帮助

每个批次的大小为[3,3]，如3个传感器和3个时间步。 您正在针对[1,1]大小的输出对每个批次进行培训

我的猜测是，当包含更多批次时，误差会更大，因为模型考虑的是32个样本的误差，而不是1个样本的误差。我会保持你的批量大小不变

---

如果有帮助的话，这个模型看起来类似于这样：

首先，我将标准化0和1之间的数据

看看更小的学习速度和更多的时代是否有帮助

每个批次的大小为[3,3]，如3个传感器和3个时间步。 您正在针对[1,1]大小的输出对每个批次进行培训

我的猜测是，当包含更多批次时，误差会更大，因为模型考虑的是32个样本的误差，而不是1个样本的误差。我会保持你的批量大小不变

如果有帮助的话，该模型类似于：