Python 具有多标签和长时间窗口的LSTM回归

我一直在努力为我的数据开发LSTM。所以，请容忍我，如果这篇文章有太多额外的东西

在我的数据中，每个要素由12500行组成，其中每行有2列。对于这个测试，我有90个。（我将把这个扩展到更多）。因此，我将以下形状和类型传递给我的LSTM：

• x_列车形状：

  （9012500,2）

• 类型（x_列车）：

e、 g。

x_列车[0]
数组（[[28.15149259，-21.2996635]，
[45.98779437，-34.60591158]，…

标签由一行组成，每行有4列。因此，我将以下形状传递给我的LSTM：

• y_train.shape:

  （90,4）

• 类型（y\U列车）：

e、 g.

y_列[0]
数组（[-0.05552651，-0.1108113，0.02395229，0.04790576]）

我想预测每个新特性的这4个数字（例如，不是概率或类别）

对于我的Keras模型，我有以下内容：

model = Sequential()
model.add(LSTM(4, input_shape=(12500, 2))) # With 32 it will not work but with 4 it will;
model.add(Dense(4))
#model.compile(loss='mean_squared_error', optimizer='adam')
model.compile(loss='mae', optimizer='adam')

model.fit(x_train, y_train, nb_epoch=1, batch_size=30, verbose=1)

这种方法有意义吗？代码正在运行，换句话说，模型适合，我可以进行预测。我的问题更多的是如何正确配置我的层

---

旁注：在本例中，我们有12500个对象，因为它们是对电信号脉冲的引用。例如，这12500个对象中的每一个都是在毫秒内进行的测量。

有任何错误吗？@PaulLo，我在拟合时没有任何错误。我编辑了我的问题。我的问题更多的是关于如何将层添加到我的LSTM，如果这是正确的方法。每个功能都是12500x2吗？您有90个功能吗？