R 对时间序列数据拟合LSTM时出错

我有14个特征的每日时间序列数据。我对使用所有特性1到14预测特性1（二进制）的一步超前预测感兴趣。为此，我使用Keras在R中实现了一个LSTM模型

为了使用LSTM层，我将我的训练和验证数据矩阵转换为三维阵列，尺寸为：

> dim(train_x)
[1] 1093    1   14

> dim(valid_x)
[1] 366   1  14

序列y

是长度为1093的一维向量。此外，

train_y

等于

train_x

的第一个输入功能，但它向前滞后1个时间步（提前一步预测）

运行以下代码后：

model <- keras_model_sequential() %>%
  layer_lstm(units = 32, input_shape = list(dim(train_x)[[2]], dim(train_x)[[3]])) %>%
  layer_dense(units = 1, activation = "sigmoid")

model %>% compile(
  optimizer = "rmsprop",
  loss = "binary_crossentropy",
  metrics = c("accuracy")
)

history <- model %>% fit(
  x = train_x,
  y = train_y,
  steps_per_epoch = 500,
  epochs = 20,
  validation_data = list(valid_x, valid_y),
  shuffle=FALSE
)

你知道发生了什么事吗？我试着用谷歌搜索错误，但在我的具体案例中，我不知道如何修复它

非常感谢您的帮助：）

---

*编辑：如果有帮助的话，我试着按照上面的过程进行操作，但是代码是用Python编写的，这意味着我不确定我是否使用R做了所有正确的事情。

我实际上解决了这个问题。出现此问题是因为我错过了

fit（）

中的

validation\u步骤

参数。必须将其设置为用于验证的样本数（批量大小）

...
453/500 [==========================>...] - ETA: 0s - loss: 0.4137 - acc: 0.8219
461/500 [==========================>...] - ETA: 0s - loss: 0.4125 - acc: 0.8227
469/500 [===========================>..] - ETA: 0s - loss: 0.4113 - acc: 0.8236
477/500 [===========================>..] - ETA: 0s - loss: 0.4101 - acc: 0.8244
485/500 [============================>.] - ETA: 0s - loss: 0.4089 - acc: 0.8252
493/500 [============================>.] - ETA: 0s - loss: 0.4077 - acc: 0.8260
 Show Traceback

 Rerun with Debug
 Error in py_call_impl(callable, dots$args, dots$keywords) : 
  TypeError: unsupported operand type(s) for +: 'int' and 'NoneType'