问多变量预测多特征
EN

Stack Overflow用户

提问于 2022-05-31 20:40:28

回答 1查看 637关注 0票数 0

我对这种神经网络和LSTM很陌生。我希望我能得到你的指导，我会感谢你。

我有两年的比特币历史数据集和比特币情感数据集，每隔一小时一次。我的目标是预测未来60小时的未来图表使用LSTM。

我看过一些关于多变量时间序列预测的文章。但在所有这些预测中，他们只采用了一个特征。他们只预测了未来一天的价格。因此，为了预测未来两个月的数据，我必须预测所有的特征。这样我就可以把预测的数据作为下一个预测的输入，等等，来预测下一个60天。有人能帮我弄清楚我该怎么做这种预测吗？

编辑：数据集如下所示：

timestamp,close,sentiment
2020-05-01_00,8842.85,0.21
2020-05-01_01,8824.43,0.2
2020-05-01_02,8745.91,0.2
2020-05-01_03,8639.12,0.19
2020-05-01_04,8625.69,0.2

我想用tenserflow作为后端。到目前为止，我还没有编写用于构建模型的代码，因为在开始编写代码之前，我必须知道该做什么。

其思想是将100或150行数据作为模型的输入，然后通过将模型的预测作为下一次预测的输入来预测接下来的60小时。

multivariate-time-series

tensorflow

machine-learning

neural-network

lstm

回答 1

Stack Overflow用户

发布于 2022-06-01 00:00:10

如果您共享了一些代码，用于如何构造模型，以及数据的外观，这将有所帮助。你的情感数据是如何被编码的，你使用的是什么框架(tensorflow，Py手电筒等等)？我对Tensorflow很熟悉，所以我会给你指明方向。

一般来说，使用输入层是有帮助的，但是LSTM需要三维张量。

批处理，时间戳，特性。

您可能需要考虑使用功能API的非顺序模型体系结构。如果你走了这条路，你可以有两个独立的输入。一个是价格时间序列，另一个是情感时间序列，每个传递到一个LSTM，然后你可以连接/组合它们，并将它们传递到密集层，甚至是卷积层。

最后，您还可以查看ConvLSTM2D，它接受一个5D张量：

样本，时间，通道，行，cols

查看笔记本这里

#===========Design Model Architecture:
#==== Create Input Layers:
Price_Input = tf.keras.layers.Input(shape=(60,),name='Price_Input')                       #Price as Input
Sent_Input = tf.keras.layers.Input(shape=(60,),name='Sentiment_Input')                    #Sentiment as Input

#=== Handle Reshaping as part of the Model Architecture:
P_Input_rshp = tf.keras.layers.Reshape(target_shape=(60,1),
                                       input_shape=(60,),
                                       name='Price_Reshape')(Price_Input)                 #Pass price to reshape layer

S_Input_rshp = tf.keras.layers.Reshape(target_shape=(60,1),
                                       input_shape=(60,),
                                       name='Sentiment_Reshape')(Sent_Input)              #Pass sentiment to rehape layer

#=== Use LSTM layers for timeseries:
P_x = tf.keras.layers.LSTM(units=1,activation='tanh',name='Price_LSTM')(P_Input_rshp)     #Price Focused LSTM
S_x = tf.keras.layers.LSTM(units=1,activation='tanh',name='Sentiment_LSTM')(S_Input_rshp) #Sentiment Focused LSTM

C_x = tf.keras.layers.Concatenate(name='Concat')([P_x,S_x])                               #Concatinate(join) inputs from each branch

Output = tf.keras.layers.Dense(units=1,name='Dense')(C_x)                                 #Dense layer as model output to synthesize results


#============== Greate Model Graph:
model = tf.keras.Model(inputs=[Price_Input,Sent_Input],
                       outputs=Output,
                       name='Double_LSTM_Model')