Python 如何设置LSTM网络？

我正在学习如何建立RNN-LSTM网络进行预测。我已经用一个变量创建了数据集

x  y
1  2.5
2  6
3  8.6
4  11.2
5  13.8
6  16.4
...

以及

y（t）=2.5x（t）+x（t-1）-0.9*x（t-2）

的关系。我正试图设置RNN-LSTM来学习模式，但我的程序出现了错误。我的程序如下：

df=pd.read\u excel（'dataset.xlsx'）
def split_数据集（数据）：
#分为标准周
列车，测试=数据[：-328]，数据[-328:-6]
#重组为每周数据窗口
序列=np.数组（np.拆分（序列，长度（序列）/1））
测试=np.数组（np.拆分（测试，len（测试）/1））
回程列车
详细，年代，批次大小=0,20,16
列车，测试=分割数据集（df.值）
列车x，列车y=列车[：，：，0]，列车[：，：，1]
模型=顺序（）
添加模型（LSTM（200，返回序列=真，输入形状=序列形状））
compile（loss='mse'，optimizer='adam'）

出现

值错误
：

ValueError: Error when checking input: expected lstm_35_input to have 3 dimensions, but got array with shape (8766, 1)

任何有经验的DS或pythoner都可以教我如何建立网络

感谢基于LSTM的RNN，输入应为3维（批次、时间、数据点）。我假设
x
变量的索引是它的时间。在这种情况下，您必须将输入转换为某个窗口的批处理，例如3个窗口，那么您的输入是：

批处理#输入目标

0 x[0:3]y[3]

1 x[1:4]y[4]

2x[2:5]y[5]

注意：您的y从t=3开始，因为您使用最后3个时间步来预测下一个第4个值。如果您的y已经如您所说从最后三个时间步骤计算出来，那么y应该从0索引开始，即在批次0中，您的y[0]是目标

根据以下评论更新
如果您想要有多个序列，那么您可以将其建模为序列到序列问题，并且将是一个
N到M
映射，您需要五个x值来预测三个y：

批处理#输入目标

0 x[0:5]y[3:6]

1 x[1:6]y[4:7]

2 x[2:7]y[5:8]
在当前情况下，我已经创建了数据窗口，它看起来像是我提到的案例中的工作

下面是我的代码：

df=pd.read\u excel（'dataset.xlsx'）
#将单变量数据集拆分为训练集/测试集
def split_数据集（数据）：
列车，测试=数据[：-328]，数据[-328:-6]
回程列车
列车，测试=分割数据集（df.值）
#将列车和试验数据缩放至[-1,1]
def刻度（列，测试）：
#配合定标器
scaler=MinMaxScaler（特征范围=（0,1））
定标器=定标器安装（列车）
#换乘列车
#train=train.reformate（train.shape[0]，train.shape[1]）
序列缩放=缩放变换（序列）
#变换测试
#test=test.reformate（test.shape[0]，test.shape[1]）
test_scaled=缩放器变换（test）
返回定标器、序列定标器、测试定标器
缩放器，序列缩放，测试缩放=缩放（序列，测试）
def to_受监控（列车，n_输入，n_输出=7）：
#展平数据
数据=列车
十、 y=list（），list（）
in_start=0
#一次一步地浏览整个历史记录
对于范围内的（len（data））：
#定义输入序列的结尾
输入端=输入端+输入端
输出端=输入端+n输出
#确保我们有足够的数据用于此实例
如果结果是可行的，那么如何预测多步呢？你能告诉我更多吗？我已经问了上面的问题。你说的多步骤是什么意思，你能详细说明一下吗？基于（x（t），x（t-1））来预测y（t），y（t+1）。。。或者更多，这意味着输出不仅仅是一个值。python中的代码如何？如何在pythonlstm设置中编写此代码？我上面的第二个回复显示了我的尝试和其他问题。你不应该在一个主题中创建两个帖子来问两个问题。你能接受并投票支持我的答案，然后再提出另一个问题吗？你的第一个问题已经回答，第二个问题需要另一个自己的线程。好的，创建另一个线程，然后给我发送一个链接，我将尝试回答它
train_x, train_y = to_supervised(train_scaled, n_input = 3, n_out = 2)
test_x, test_y =  to_supervised(test_scaled, n_input = 3, n_out = 2)

verbose, epochs, batch_size = 0, 20, 16
n_timesteps, n_features, n_outputs = train_x.shape[1], train_x.shape[2], train_y.shape[1]

model = Sequential()
model.add(LSTM(200, return_sequences= False, input_shape = (train_x.shape[1],train_x.shape[2])))
model.add(Dense(1))
model.compile(loss = 'mse', optimizer = 'adam')
history = model.fit(train_x, train_y, epochs=epochs, verbose=verbose, validation_data = (test_x, test_y))


ValueError: Error when checking target: expected dense_27 to have shape (1,) but got array with shape (2,)