Python 在LSTM层之后连接其他特征以进行时间序列预测

我有以下数据集：

                Feature 1   Feature 2 ...  Feature to Predict
2015-01-01         1000          8                 12
2015-01-02         1200          2                 22
2015-01-03         4000          4                 51
2015-01-04         2000          8                 33
2015-01-05         1000          5                 14

我想使用前面的

n

时间戳预测时间

t+1

的最后一个特征（“要预测的特征”）。为此，我使用了一个多变量

LSTM

，它使用

t-n

到

t

的数据进行训练

事实上，我也有可能获得我想要预测的时间't+1'的其他特征（特征1，特征2…）

我想做的是在

LSTM

层之后和

densite

层之前添加这些附加功能，并将它们用于我的“Feauture to Predict”预测

现在，我的代码没有附加功能，但只包含“t-n”到“t”功能，如下所示：

mdl = Sequential()
# create and fit the LSTM network
mdl.addLSTM(neuronsl1,activation = 'tanh' ,return_sequences=True, input_shape=(lags,n_features))
mdl.add(Dropout(0.2))
mdl.addLSTM(neuronsl2,activation = 'tanh' , input_shape=(lags,n_features))
mdl.add(Dropout(0.2))

--------->>> At this point i would like to add the additional features at time 't + 1'

mdl.add(Dense(neuronsl3))
mdl.add(Dense(neuronsl4))
mdl.add(Dense(1))

---

有什么建议吗？

我想我误解了你的问题。您提到您想：

获取我想要预测的时间“t+1”的其他特征（特征1、特征2…）

数据集中有“功能1”和“功能2”。但在标题中，您提到了“连接其他功能”。因此，如果您想在时间步

t+1

不仅预测“要预测的功能”，还预测“功能1”、“功能2”等，那么：

• 只需将最后一个密集层中的单元数设置为您想要预测的特征数，即可实现您想要的效果。另外，如果您只想获得timestep

  t+1

  ，则需要在最后一个LSTM层中设置

  return\u sequences=False

  （当然这是默认情况）。这是因为，并不是一下子就对整个数据进行分析

但是，如果您希望将最后一个LSTM层的输出与其他功能（您需要将其作为模型的输入提供）连接起来，则需要使用和使用函数（或等效层）：

---

return\u sequences=True

只是一个错误，因为我复制并粘贴了第一行。我想你不太明白我到底想做什么。我想预测的特征在t+1时只有一个（‘要预测的特征’），我想做的是在进行预测之前，在我的模型中添加t+1时的其他特征（‘特征1，2…）prediction@MarcoMiglionico我明白了。我正在编辑我的答案。@MarcoMiglionico更新了我的答案。假设我的额外输入有6个功能，那么

mdl\u input2=input（shape=（shape\u of\u features））的形状应该是什么？那么我应该在_features@MarcoMiglionico只要把
（6，）
放在那里，即
形状=（6，）
。
mdl_input1 = Input(shape=(lags,n_features))

x = LSTM(neuronsl1, activation='tanh', return_sequences=True)(mdl_input1)
x = Dropout(0.2)(x)
x = LSTM(neuronsl2, activation='tanh')(x)
x = Dropout(0.2)(x)

mdl_input2 = Input(shape=(shape_of_features))

concat = concatenate([x, mdl_input2])

x = Dense(neuronsl3)(x)
x = Dense(neuronsl4)(x)
output = Dense(1)(x)

model = Model([mdl_input1, mdl_input2], output)

# compile the model ...

model.fit([input_array_for_lstm, input_array_additional_features], y_train, ...)