Tensorflow 分离因变量和自变量的时间序列预测

假设我有这样的数据：

date                  pollution  dew  temp   press wnd_dir  wnd_spd  snow  rain    
2010-01-02 00:00:00      129.0  -16  -4.0  1020.0      SE     1.79     0     0
2010-01-02 01:00:00      148.0  -15  -4.0  1020.0      SE     2.68     0     0
2010-01-02 02:00:00      159.0  -11  -5.0  1021.0      SE     3.57     0     0
2010-01-02 03:00:00      181.0   -7  -5.0  1022.0      SE     5.36     1     0
2010-01-02 04:00:00      138.0   -7  -5.0  1022.0      SE     6.25     2     0

我想将神经网络应用于污染的时间序列预测。 应注意的是，其他变量：

露水、温度、压力、wnd\U dir、wnd\U spd、雪、雨

是污染的自变量。 如果我在LSTM中实现LSTM，那么LSTM将所有变量作为独立变量进行学习；该模型可以对所有变量进行预测

但是没有必要对所有自变量进行预测，唯一的要求是

污染

，一个因变量

---

是否有任何方法可以实现LSTM或其他更好的架构，通过将其他自变量视为独立变量来学习和预测因变量，并对污染进行更好的预测？

该示例似乎已经在预测污染了。如果看到重新格式化的

，

：

   var1(t-1)  var2(t-1)  var3(t-1)  var4(t-1)  var5(t-1)  var6(t-1)  \
1   0.129779   0.352941   0.245902   0.527273   0.666667   0.002290
2   0.148893   0.367647   0.245902   0.527273   0.666667   0.003811
3   0.159960   0.426471   0.229508   0.545454   0.666667   0.005332
4   0.182093   0.485294   0.229508   0.563637   0.666667   0.008391
5   0.138833   0.485294   0.229508   0.563637   0.666667   0.009912

   var7(t-1)  var8(t-1)   var1(t)
1   0.000000        0.0  0.148893
2   0.000000        0.0  0.159960
3   0.000000        0.0  0.182093
4   0.037037        0.0  0.138833
5   0.074074        0.0  0.109658

var1

似乎是

污染

。如您所见，所有变量都有上一步的值

（t-1）

，污染

的当前步骤的值
t
（
var1（t）
）

最后一个变量是示例中输入的
y
，您可以在以下行中看到：

# split into input and outputs
train_X, train_y = train[:, :-1], train[:, -1]
test_X, test_y = test[:, :-1], test[:, -1]

因此，网络应该已经只预测了
污染
难道不仅仅是
污染
的例子吗？我不这么认为，你为什么这么认为？让我回答，看看你是否同意；）还有其他变量：var2（t-1）、var3（t-1）、var4（t-1）、var5（t-1）var6（t-1）。我不明白为什么它没有预测其他变量，它又在依赖变量和自变量之间有什么关系？这些变量被用作<代码> x >代码>，所以网络从这些变量的先前值中学习，以便预测<代码>污染< /代码>的未来值。