Python 如何建立层序预测的lstm模型

我每分钟记录下机器发出的信号，持续6小时。i、 e.机器信号的长度为6*60=

360

。我的客户已经为每台机器记录了一个月的这些信号。换句话说，每台机器在

28

天内有360个长度信号。我的数据集中有大约2000台机器的数据

如果您想了解我的数据集是什么样子的，我已经在下面简要介绍了它（注意：每天的每个信号都有360长，如问题中所述）

我的客户希望有一个模型可以预测未来3天每台机器的信号序列。i、 e.在第29天、第30天、第31天。换句话说，模型应该学习从第1天到第29天的序列，并预测接下来的三个序列

因此，我开始搜索深度学习模型，发现模型似乎适合我的问题

我目前的代码如下

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, RepeatVector, Dense, TimeDistributed
from tensorflow.keras.activations import elu  
hidden_size = 50
seq2seq = Sequential([
    LSTM(hidden_size, input_shape = (input_sequence_length, no_vars)),
    RepeatVector(prediction_length), 
    LSTM(hidden_size, return_sequences = True), 
    Dense(hidden_size, activation = elu)
    TimeDistributed(Dense(1, activation = elu))
])

然而，由于我在深度学习方面的知识有限，我不确定我所做的是正确的。此外，我没有第29天、第30天和第31天的数据。所以，我也想知道如何做培训部分？我在这个问题上太迟钝了，因为我不清楚该怎么做

如果需要，我很乐意提供更多细节

编辑：

---

看来LSTM是我问题的潜在模型，因为我没有第29天、第30天和第31天的训练数据。我想知道@ESDARII的过程是LSTM中的内置函数，还是我们必须从头开始在keras中编写它。请让我知道您的想法，如果您有任何其他建议。

您的网络不应该是真正的seq2seq网络

我建议使用一个简单的RNN或LSTM，其工作原理如下：

它获取从1天到J-1天的所有信号，并预测第J天的信号，例如：

如果第一步，它获取第1天的信号并要求预测第2天的信号，然后在下一步中获取第1天、第2天的信号并要求预测第3天的信号，等等，那么当你到达第28天时，网络拥有28天之前的所有信号，并要求预测第29天的信号，等等

---

通过这种方式，您可以克服在第29天、第30天和第31天没有值这一事实。因为你的人际网络将非常擅长预测第J天的信号，给定截至第J-1天的信号。

你的人际网络不应该是真正的seq2seq网络

我建议使用一个简单的RNN或LSTM，其工作原理如下：

它获取从1天到J-1天的所有信号，并预测第J天的信号，例如：

如果第一步，它获取第1天的信号并要求预测第2天的信号，然后在下一步中获取第1天、第2天的信号并要求预测第3天的信号，等等，那么当你到达第28天时，网络拥有28天之前的所有信号，并要求预测第29天的信号，等等

---

通过这种方式，您可以克服在第29天、第30天和第31天没有值这一事实。因为你的人际网络将非常擅长预测第J天的信号，给出截至第J-1天的信号。

非常感谢你的回答。如果你能告诉我如何用python做一个，那就太好了。期待您的回复：）非常感谢您的回答。如果你能告诉我如何用python做一个，那就太好了。期待您的来信：）

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, RepeatVector, Dense, TimeDistributed
from tensorflow.keras.activations import elu  
hidden_size = 50
seq2seq = Sequential([
    LSTM(hidden_size, input_shape = (input_sequence_length, no_vars)),
    RepeatVector(prediction_length), 
    LSTM(hidden_size, return_sequences = True), 
    Dense(hidden_size, activation = elu)
    TimeDistributed(Dense(1, activation = elu))
])