Python 为什么我的时间序列数据框会限制时间步数I'；我想在我的LSTM中使用？

我需要帮助了解如何准确地允许我为我的LSTM重塑输入数据。首先，我的时间序列数据采用熊猫数据框的形式：

它的形状如下：

（36356,9）

。我将我的数据帧分割成如下列的训练集和测试集：

X_train.shape=（29084,7）

，

X_test.shape=（7272,7）

，

y_train.shape=（29084，）

和

y_test.shape=（7272，）

问题1：我知道我必须按照

（样本/行、时间步、特征）

将2D X数据重新塑造为3D。但我是否也必须将y数据重塑为3D

问题2：对于X数据和y数据，我知道其2D形状的数组值必须与其3D形状的数组值匹配。因此，假设我将我的X_序列数据重塑为

（29084,1,7）

，将我的X_测试数据重塑为

（7272,1,7）

。

X\u-train.shape[0]

的系数为

1、2、4、7271、14542和X\u-train.shape[0]

。

X_检验形状[0]

的因子为

1、2、4、6、8、12、18、24、…、3636和X_检验形状[0]

。共同因素是

1、2和4

。所以我的数据集只允许我有可能的时间步长1、2和4，对吗？也就是说，我必须将我的X_train.shape[0]和X_test.shape[0]重新调整为除以相同的时间步数，对吗。对于y_train.shape[0]和y_test.shape[0]也是如此

问题3：如果我可以有更大的时间步长，那么如何允许我重塑X数据和y数据

如果有帮助，我的LSTM构造如下：

batch_size = X_train.shape[0]
model = Sequential()
model.add(Bidirectional(LSTM(32, return_sequences = True, stateful = False), 
                                        input_shape = (X_train.shape[1], X_train.shape[2])))
model.add(Dropout(0.2))
model.add(Bidirectional(LSTM(16, return_sequences = True)))
model.add(Dropout(0.2))
model.add(Dense(1, activation = 'sigmoid'))
es = EarlyStopping(monitor = 'val_loss', patience = 3)
                  
model.compile(loss = 'binary_crossentropy', optimizer = 'adam', metrics = ['Recall'])
                  
model.fit(X_train, y_train, batch_size = batch_size, epochs = 360, verbose = 0, 
                          callbacks = [es], validation_data = (X_test, y_test), shuffle = True)

感谢您的帮助。

Keras LSTM输入形状（）：

答案1:

不，您不必重塑y数据，因为它代表整个模型的输出形状，而不是LSTM层的输出。然而，y形数据的形状应该与模型最后一层的输出相对应，从您的代码中它已经这样做了。但是，如果将数据分成较小的批，y数据应该反映这一点

答案2:

---

似乎数据的第一个维度（即36356）是时间步长维度。这意味着您有1个输入timeseries数据，其中36356个timstep记录，每个记录有7个功能。因此，要输入RNN，您的形状应该是（136356,7）

---

此外，您可以将36356行拆分为更小的部分，这样您就可以增加批次号-例如，64批568行，即形状变为（64568,7）。但是，这也需要将y数据分成更小的批

答案3:

---

您可以将当前的二维数组包装到另一个数组中，使其成为三维数组，即（136356,7）。

数据中的时间步长是多少？将x_列重塑为（批次，1，7）意味着时间步长=1，这对RNN没有用处。我建议查看数据并了解随时间变化的值是什么？我的时间序列数据是按分钟索引的，这意味着数据帧中的每一行都以分钟分隔。此外，这是一个二元分类问题，在这个问题中，我使用数据来预测设备每分钟是开着还是关着。我现在已经在上面添加了原始数据帧。它似乎是数据的第一个维度，即36356是您的时间步长维度。这意味着您有1个输入数据，其中36356个timstep记录，每个记录有7个特征。因此，要输入RNN，您的形状应该是（136356,7），此外，您可以将36356行分解为更小的部分，这样您可以增加批次号-例如，64批568行，即形状变成（64568,7）。谢谢！你帮了大忙。为了澄清我在最后一刻提出的一些问题：我的X_火车最初的形状是（29084,7）；因此，我应该将其重塑为（129084,7）；我的X_测试最初的形状是（7272,7）；所以我应该改成（17272，7），对吗？同样，我的y_列应该保持其原始形状（29084，1），我的y_测试应该保持其原始形状（7272，1），因为我的输出层是稠密的（1），对吗？当然，如果我要包括批次，我必须相应地更改。是的，你所有的问题都是正确的。您可以使用

np.expand_dims（）

method.Darn重塑数组的形状。我得到了以下错误：-------------------------------------------------------------ValueError Traceback（最近一次调用last）in 15#Fitting the model 16 history=model.fit（X_train，y_train，epochs=360，verbose=2，-->17次回调=[es]，validation_data=（X_test，y_test），shuffle=True）ValueError：输入数组应具有与目标数组相同的样本数。找到1个输入样本和27932个目标样本。要跟进我之前对错误的评论，我的X_序列成形（127932,7），我的X_测试成形（16984,7），我的y_序列成形（27932,1），我的y_测试成形（6984,1）。但错误似乎指向了这样一个事实，即这些形状不正确。我的错。您还需要更改Y数据。对于模型，它得到1批数据作为输入，但对于输出，它认为它得到7272批数据。您还应该将Y数据包装到另一个数组中。对不起:(

inputs: A 3D tensor with shape [batch, timesteps, feature]