Python 在Keras中用RNN预测数据集的过去结束

我有一个数据集，涵盖了数百个温度值。显然，在气象学中，根据过去预测未来的价值是有帮助的

我有以下有状态模型，内置于Keras中：

look_back = 1
model.add(LSTM(32, batch_input_shape=(batch_size, look_back, 1), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
for i in range(10):
    model.fit(trainX, trainY, epochs=4, batch_size=batch_size, verbose=2, shuffle=False)
    model.reset_states()
# make predictions
trainPredict = model.predict(trainX, batch_size=batch_size)

我已经成功地在我的数据集上训练和测试了模型，得到了合理的结果，但是我很难理解预测数据集中下一个点（比如20个点）需要什么。显然，这20个点在数据集之外，它们尚未“出现”

我将非常感激任何有帮助的事情；我觉得Keras中缺少了一些简单的功能

多谢各位

我觉得Keras中缺少了一些简单的功能

你需要的东西就在那里。要获得对新数据的预测，您必须再次使用

model.predict（）

，但要在所需范围内。这取决于数据的外观

假设您的timeseries

trainX

中有

x

范围为

[0100]

的事件

然后，要预测接下来的20个事件，您需要对值

101

调用

predict（）

到

120

，类似于：

futureData = np.array(range(101,121)) #[101,102,...,120]
futurePred = model.predict(futureData)

同样，这取决于“下一个20”活动的外观。如果容器大小改为0.1（100100.11000.2，…），则应相应地评估预测

如果您感兴趣，您可能还想查看页面，其中给出了示例，并解释了更多关于Keras中使用RNN的时间序列的信息