Python 深度学习Keras时间序列的简单RNN，预测多重

我对深度学习非常陌生，因此我研究了如何使用Keras解决时间序列问题。然而，这些是完全不同的。 让我用PYTHON解释我的问题： 随附的我有一个数据框：行代表美国的每个城市（行=样本），每列代表1985-2018年间的时间序列，显示每年的平均温度（列=每年的平均温度）-因此，时间序列的年份是一个单独的特征列

现在的任务是预测每个城市2019年、2020年、2021年和2022年的气温

为此，我想应用滚动窗口技术

1） 现在，要在Python Keras中应用一个简单的RNN，我将如何构造输入和输出维度？ X_列车需要是X.shape=（城市、时间步、特征）还是实际上是4维：（批次数量、时间步、特征*城市）

特别是，我如何构建模型来预测每个城市的每年

我不明白这个问题。 非常感谢您的帮助

enter code here

---

首先，您必须正确定义您的问题，即输入、输出和特性。 关于您的第一个问题，Keras 3d输入形状定义为（batch_size，timesteps，features），其中batch_size是模型在反向传播之前看到的观察数（您必须优化此超参数），timesteps是数据中序列的长度。在您的情况下，可以使用1。Features是您正在使用的功能数量。从你展示的数据图像中，我假设你只使用城市的温度作为特征

当您转换数据表时，这会变得更加直观。因此，您的输入形状可以是Xshape=（10，1，6）

---

关于你的第二个问题，我建议你遵循许多令人敬畏的时间序列预测中的一个。

请将你的示例数据以文本形式而不是图像形式发布。谢谢你的回答！我以为每年都是一个特写，那么33个特写呢？如果我创建一个4的窗口大小，那么用1985-1988年来预测1989年等等，会怎么样？为什么6作为特征尺寸？我想在每个城市的窗口大小之后预测每年的温度……减小问题的大小可以帮助您理解术语。以洛杉矶的时间序列为例。每一个时间步都被视为对LA中温度的观察。1985年，你抽取了27个样本。保持采样温度时，将创建特征的时间序列或序列。您可以将一个特性视为输入数据的一个特定类别。现在，根据洛杉矶的温度历史，您可以预测2019年洛杉矶的温度。最后，如果你认为其他城市的温度可以帮助你预测你的输出，你可以将它们作为额外的特征添加，因此6。