我有大约2000个数据点，用于多个地点的时间序列预测。我可以在上面应用LSTM模型吗？
对于时间序列预测问题，LSTM（长短期记忆）模型是一种常用的深度学习模型，它在处理序列数据方面具有较好的效果。LSTM模型可以捕捉到时间序列中的长期依赖关系，并且能够处理变长的序列数据。
对于你提到的2000个数据点，如果这些数据点是按照时间顺序采集的，并且你希望基于这些数据点进行多个地点的时间序列预测，那么你可以考虑在这个问题上应用LSTM模型。
LSTM模型可以通过输入历史的时间步来预测未来的时间步。你可以将这2000个数据点按照时间顺序划分为训练集和测试集，然后将其作为输入序列来训练LSTM模型。在训练过程中，LSTM模型将学习到时间序列中的模式和趋势，并且可以用于预测未来的时间步。
在应用LSTM模型时，你可以考虑以下步骤：
- 数据预处理：对于时间序列数据，通常需要进行平稳性检验、差分处理、归一化等预处理步骤，以便更好地适应LSTM模型的训练。
- 构建LSTM模型：可以使用各种深度学习框架（如TensorFlow、PyTorch）来构建LSTM模型。模型的输入是历史的时间步，输出是未来的时间步。
- 模型训练：使用训练集对LSTM模型进行训练，通过反向传播算法来更新模型的参数，使其能够更好地拟合训练数据。
- 模型评估：使用测试集对训练好的LSTM模型进行评估，可以使用各种指标（如均方根误差、平均绝对误差）来评估模型的预测性能。
- 时间序列预测：使用训练好的LSTM模型对未来的时间步进行预测。
在腾讯云中，你可以使用腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）来构建和训练LSTM模型。此外，腾讯云还提供了云服务器、云数据库、云存储等相关产品，可以满足你在开发过程中的各种需求。
需要注意的是，以上提到的腾讯云产品仅作为示例，你可以根据实际需求选择适合的云计算平台和相关产品。
相关·内容
我是机器学习的新手，因此，我试图弄清楚我的数据集是否足以运行LSTM模型。我正在尝试对每天的道路交通数据进行时间序列预测。目前，我有20个不同地点的每日数据(2012-2019)。从本质上讲，我只有大约2800个数据点用于每个位置。这是一个好的数据集吗？ 关于如何调整数据或转换数据以帮助我的数据集，有什么建议吗？ 请帮帮我！谢谢你！！
浏览 36提问于2020-07-22得票数 0
1回答
基于LSTM的时间序列一步预测
、、、、
我想用LSTM预测股票价格。我成功地训练了我的模型并保存了它。现在我已经加载了它，我将如何使用model.predict()来预测在数据集中没有对应值的股票价格，就像目前一样，我只能“预测”数据集中已经存在的已知值。
塞纳里奥:我的模型已经训练好了(足够高的精确度)，而且我保存了它。我想应用我的模型(load_model())。我的时间步骤设置为30天，所以我已经加载了30天的数据(例如。3月9日-4月8日)在适当的格式，但显然我没有‘预期’输出。如何使用model.predict()来预测未来的价值。还是我遗漏了什么？
上面的图表是当我使用model.predict()预测数据集中
浏览 2提问于2020-04-08得票数 0
1回答
如何将特征分别输入到LSTM模型
、、、、
我正在尝试使用LSTM来解决我的时间序列分类问题，如下所示。我的数据集大约有2000个数据点，每个数据点有25个长度为4个时间序列。
model = Sequential()
model.add(LSTM(100, input_shape=(25,4)))
model.add(Dense(50))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy&#
浏览 18提问于2019-11-01得票数 0
回答已采纳
1回答
LSTM自动编码器噪声重建
、、、、
我正在尝试建立一个用于时间序列压缩的LSTM自动编码器(目前只有一维，但也可以用于多维)。 先了解一下上下文： 我正在使用DeepNote开发模型，根据终端，安装的TensorFlow版本是带有Keras version 2.4.3 (Linux)的2.4.1。 对于训练数据，我使用来自Intel Berkeley Research Lab Dataset的大约400.000个特定传感器的数据点作为训练数据，另外40.000个作为测试数据。所有数据点都是传感器收集的温度。数据被分成小序列(通常每个序列20个数据点)，因此重塑后的数据的结果形状是看起来像(19456, 20, 1)的(num_
浏览 37提问于2021-06-24得票数 2
1回答
我正在TensorFlow上开发一个模型，将一个连续的标签赋予一个时间序列的每一个时间步骤。该模型用于实时数据，这样，在以前的时间步骤上观察到的时间序列的值将对LSTM赋予当前时间步骤的标签产生影响。为此，我使用tf.contrib.rnn.LSTMCell。
我的数据由每天的时间序列组成，分分秒秒的分辨率。时间序列的总长度总是一样的.在下面的中，在左边的蓝色图中，您可以找到我的数据是什么样子的示例。
我希望用+1和-1之间的浮点值对输入时间序列进行分类，这样+1对应于时间序列的最大值，-1对应于最小值，而任何其他值(在+1和-1内)对应于中间的某个值。因此，我希望LSTM根据以前的
浏览 1提问于2017-03-25得票数 0
1回答
如何重塑角星LSTM的输入？
、、、、
我有一个大约5000行和4列(温度、压力、速度、成本)的numpy数组。这是形状(5000，4)。每一行都是一个有规则间隔的观测，这是我第一次做时间序列预测，我被困在输入形状上。我试图从最后一个数据点预测值1的时间步长。我如何重塑它为三维形式的LSTM模型在角膜？
此外，如果编写了一个小的示例程序，那么它将更有帮助。似乎没有任何输入有多个特性(也没有NLP)的示例/教程。
浏览 4提问于2017-12-22得票数 0
2回答
我正在尝试使用Keras生成一个具有LSTM RNN的学习时间序列，所以我希望预测一个数据点，并将它作为输入输入来预测下一个数据，这样我就可以实际生成时间序列(例如，给定2000个数据点，预测下一个2000年)，我尝试这样做，但是测试分数RMSE是1.28，预测基本上是一条直线。
# LSTM for international airline passengers problem with regression framing
import numpy
import matplotlib.pyplot as plt
from pandas import read_csv
import mat
浏览 6提问于2017-05-09得票数 5
回答已采纳
1回答
我已经训练了一个神经网络多类分类模型，大约有150个类别，准确率约85%。一旦对模型进行了培训和部署，它就会预测新的数据，而我将保存日志。现在我必须检测那些数据点，这些数据点被模型错误地预测了。例如，该模型对10个数据点进行了预测，其中可能有3个数据点被模型错误分类。有什么办法能得到这些数据点吗？我有以下数据。
部署的模型。
数据点。
相应的预测类由模型来预测。
信心分数在预测上。
我知道用信心得分我可能会对错误的预测有一些想法，但我在想还有什么别的方法可以得到吗？
浏览 0提问于2021-01-11得票数 1
回答已采纳
对不起，我是刚认识RNN的。我在TimeDistributed层上读过TimeDistributed。
我将数据重新格式化为KerasRequred[samples, time_steps, features]：[140*50*19]，这意味着我有140个数据点，每个数据点有50个时间步骤，以及19个特性。我的输出是成形的[140*50*1]。我更关心的是最后一个数据点的准确性。这是一个回归问题。
我目前的代码是：
x = Input((None, X_train.shape[-1]) , name='input')
lstm_kwargs = { 'dropout_W
浏览 1提问于2017-05-15得票数 2
回答已采纳
1回答
我有大约6年的时间序列每日数据(1.8000个数据点)。我试图预测下一个t+30值，即列车数据独立矩阵(X)=前30天值的序列-- Train (Y)=前30天值的第31天值。
我采用以下方法进行预测:首先预测y for t+1，然后将X矩阵行移动1天，并将预测的Y追加到该行的末尾，然后使用该行预测t+2值并继续。然而，在(通常) t+3天之后的每个序列中，预测值在t+n天的其余时间内变为常数。
这是用LSTMs预测时间序列的正确方法吗？
如何解释这种行为？
即使是一个季节性很强的时间序列，情况也会是这样吗？
即使对于非常大的时间序列数据，这种行为也是预期的吗？
我应该试着用Y矩阵训练网络吗?
浏览 0提问于2017-08-07得票数 5
1回答
我有一个数据集，如下所示：
📷
每一列都是不同的数字特征。每一行代表一个时间戳。我想要创建一个LSTM模型，它可以对所有特性的未来时间步骤进行预测。例如，我想使用第一个2000示例来训练我的模型，并使用下一个1000来测试它。问题是我不知道如何进行。
因为我们在这个数据集中没有y的值，所以我考虑通过将时间t+1移到t有一个新的列y来创建它们。等等，所有的时间-步骤和所有的特点。
之后的问题是，我不知道如何使用Keras为我的LSTM提供数据，以便使用这样的数据集进行几步预测。
浏览 0提问于2018-03-08得票数 0
2回答
我试图用Keras建立一个模型，根据传感器的类型和历史数据预测传感器的时间序列。
下图显示了3个时间序列，由3个相同类型的传感器产生，绿色虚线是新的传感器数据，垂直线是新传感器数据的终点。
📷
我尝试编写一个LSTM网络，它返回每个输入时间步骤的隐藏状态输出，而目标是每个时间戳的值。然后尝试对新的时间序列进行预测，给出模型的几个传感器历史数据点。运气不好:(
所以我猜我走错路了。根据同一类型的其他时间序列的历史，用几个历史样本预测一个时间序列有哪些选择？
任何帮助/参考/录像将被附加
浏览 0提问于2020-04-28得票数 4
回答已采纳
2回答
作为学习练习，我尝试使用带有Keras框架的LSTM模型来根据多个数据点预测股票市场。我的输入数组的大小大约是5000,100。根据该站点上的其他问题和在线文章，这种方法似乎相当标准:将数据放在一个numpy数组中，对其进行缩放，将其重塑为LSTM的3维，将其拆分为训练和测试部分，并通过模型提供。只运行模型的训练部分，我总是得到大约400,000,000的损失分数。这不能通过改变批次大小、历元数、层数、用丢失层替换归一化、改变每一层的大小或使用不同的优化器和损失函数来改变。你知道为什么损失这么高吗?我能做些什么来解决这个问题？附件是代码。我们非常感谢所有的建议。 import pandas
浏览 230提问于2021-01-31得票数 0
1回答
我正在探索深度学习方法，尤其是LSTM来预测下一个单词。假设，我的数据集如下所示:每个数据点包含7个特征(7个不同的单词)(这里是A)，长度不同。
Group1 Group2............ Group 38
A B F
E C A
B E G
C D G
C F F
D G
浏览 1提问于2019-05-28得票数 1
回答已采纳
我有大约120个用户，总共有4500个数据点。最小用户有大约5个数据点，最大用户有大约100个数据点。我想要建立一个模型，将为每个用户作出预测。
最优的方法是什么？我是为每个用户创建一个模型，还是创建一个带有分类变量的模型来指定用户？
我可以想象，单一的模型方法会利用用户之间的相关性，但每个用户的模型可能会受到数据不足的影响，无法很好地概括。
我会考虑这里描述的一种池方法：可能重复，但是自变量中没有足够的信息来区分用户和其他用户，这就是为什么我必须创建一个分类变量来区分用户。也就是说，有许多用户具有相同的输入变量，但系统输出不同。
输入变量包括:到达时间、一周中的一天和温度。输出变量包括起飞时
浏览 0提问于2018-08-28得票数 1
我试图创建一个模型，预测未来的股票数据使用13个数据功能。我使用的是TimeseriesGenerator，但是当我试图安装我的模型时，我收到了一个错误，上面写着：
ValueError:检查输入时出错:期望lstm_1_input具有形状(529，13)，但得到形状为(5，13)的数组
我的数据集有529行，我想用来训练它们来预测未来的5天。如能在这方面提供任何协助，将不胜感激。
# Part 1 - Data Preprocessing
# Importing the Libraries
import numpy as np
import matplotlib.pyplot as plt
浏览 1提问于2019-07-28得票数 0
回答已采纳
我正试图在像这个[0.2 0.1 0.1 ..... 0.4 0.8]这样的大数据序列上训练一个模型。我为输入创建长度为60的X向量，并将Y标量数字作为标签(这意味着LSTM将前60个数字作为输入(X_train中的一行)和第61‘数作为输出标签(y_train中的行)读取)。
model = Sequential()
model.add(LSTM(units = 50, return_sequences = True , input_shape = (X_train.shape[1], 1)))
model.add(Dense(units = 1))
model.compile(optimi
浏览 0提问于2019-02-22得票数 2
我想我理解通过LSTM或XGBoost模型进行预测的想法，但我想联系社区来证实我的想法。
本教程很好地一步一步地解释了该做什么："如何建立多步LSTM电力使用时间序列预测模型“
然而，在预测方面，作者拿出了部分数据，然后用这些数据来预测未来的值.在我看来，这并不是一种预测(通过ARIMA、VAR等方法完成的事情--你可以指定时间周期的数目，然后不指定任何东西，模型给你一些关于未来的预测)，你可以看到我对作者的评论，基本上，通过LSTM或XGBoost模型的预测将基于输入值而不是未来的数据范围，即我需要提供温度、湿度、风等来预测房屋的耗电量。
话虽如此，LSTM或GXBoost在何种程度
浏览 0提问于2019-09-30得票数 4
我有从视频中获得的时间序列数据。数据由比特率和每个时间戳对应的标签对组成：
📷
前30秒的分配情况如下：
📷
我为这个数据集建立了一个LSTM模型，以便能够根据比特率对标签进行分类。然而，我的模型似乎无法学习。验证的准确性从大约0.3开始(这很有意义，因为我有2个类(log2 = 0.3))，但它没有提高。
你知道这件事吗？考虑到这个样本数据分布是否正常，还是我的模型可能有问题？谢谢!
浏览 0提问于2021-05-22得票数 0
2回答
多块预测年数据的最佳ML模型？
、、、、
我想预先警告说，我绝不是这方面的专家，我很抱歉，如果我混淆术语，措辞错误，或任何信息是不正确的。
我想对我收集的当前数据集使用机器学习模型。dataset大约有8000个块(或实体)，每个块都有7个特性。每个特性都有大约10个年值，这是计数(例如: 2005=1、2006=2 . 2014=0、2015=3)。长远的目标将能够预测每项功能的第11，甚至第12，年值。
我真的很想把机器学习应用到这个数据集中。我研究了以下问题，因为它们似乎是解决我的问题的最佳方法:线性回归模型、LSTM神经网络和时间序列预测，尽管我仍然不确定我的数据集如何适合这些特定的模型。
如果我能提供更多的信息，请告诉我！
浏览 0提问于2018-07-22得票数 0
1回答
我用LSTM训练了一个时间序列模型(形状为N，20，1)。
假设N是最后一个数据。
使用model.predict给出了N + 1第四代预测值。
如何预测N+ 2，N+ 3，N+4之后的数据值.等。
浏览 2提问于2020-05-17得票数 1
回答已采纳
2回答
假设我想预测明天的温度。我可以使用一种方法，根据从单个位置收集的时间序列数据集来训练模型(例如，查看这个优秀的演练：https://blogs.rstudio.com/tensorflow/posts/2017-12-20-time-series-forecasting-with-recurrent-neural-networks/)。
然而，让我们说，我想训练一个模型，包括时间序列从多个气象记录网站。在这个场景中，让我们说，来自不同地点的记录观测在时间上是不重叠的。理想情况下，有一种方法可以使用非连续观测(例如从不同地点收集的观测)来训练模型，这也使我们能够量化“站点”对我们预测的影响。
这
浏览 0提问于2020-01-28得票数 7
回答已采纳
1回答
用LSTM预测样本外时间点
、、、、
我正在用LSTM解决一个时间序列预测问题。数据是单变量和非平稳的。我跟踪了本教程。
数据处理如下:首先，取每两个连续时间点之间的差值。然后，通过将下一个时间点作为标签，将数据格式化为一个监督学习问题。最后，在1和-1之间进行缩放。然后使用处理过的数据来拟合LSTM模型。对测试数据进行相同的处理步骤，以检查LSTM的预测。执行差分和缩放的逆运算来表示预测值。一切都很好，我在测试集上得到了很好的结果。但问题是，当我想预测下一个时间点，是没有样本。假设我有100个数据点，70分用于训练，30个用于测试，我想预测点数101等等。我试着用
model.predict(X)
但不起作用。X不能简单地成为数
浏览 0提问于2021-04-25得票数 1
1回答
如何训练语音识别的lstm
、、、、
我正在尝试训练用于语音识别的lstm模型，但不知道要使用什么训练数据和目标数据。我使用的是，它包含音频文件和它们的文字记录。在这一点上，我知道目标数据将被矢量化文本文本。至于训练数据，我在考虑使用每个音频文件(或MFCC特征)中的频率和时间。如果这是解决问题的正确方法，训练数据/音频将是多个数组，我如何将这些数组输入到我的lstm模型中？我需要对它们进行矢量化吗？
谢谢!
浏览 1提问于2016-11-26得票数 5
回答已采纳
1回答
我有一个用于二进制分类的多元数据集。数据集中的每个系列都有1000行，有八个特性。下面是dataset中示例系列的说明。下表中的值是随机的，并不代表实际数据。
|----------------|----------|----------|----------| ... |----------|
| Time (seconds) | Feature1 | Feature2 | Feature3 | ... | Feature8 |
|----------------|----------|----------|----------| ... |----------|
| 1
浏览 0提问于2023-04-19得票数 1
回答已采纳
我试图按顺序预测多维值，例如[[0, 0, 2], [1, 0, 3], [2, 3, 4], [3, 2, 5], [4, 0, 6], [5, 0, 7] ... ]，并希望每个[x, y, z]维度都被LSTM捕获。
当我试图在下面的模型上运行model.fit()时，我会得到标题中的错误，
ValueError: Error when checking target: expected time_distributed_19 to have 3 dimensions, but got array with shape (1824, 3)
我知道输出层应该是三维的，但是我在思考如何使用L
浏览 0提问于2018-06-24得票数 0
回答已采纳
2回答
我在不同的数据集上运行了LSTM和SVR模型，样本值在1-4000之间，并且SVR中的MAPE始终小于通过LSTM获得的MAPE。有人告诉我，事实恰恰相反( LSTM应该表现得更好)，但在网上没有发现多少信息。我希望有任何反馈意见和任何链接到文章或论文(到目前为止，我发现了非常不同的意见)。
浏览 0提问于2019-06-28得票数 0
1回答
我每分钟都会记录来自机器的信号，持续6个小时。即机器的信号长度为6*60 = 360。我的客户已经为每台机器记录了这些信号一个月。换句话说，每台机器有360个28天的信号长度。我的数据集中有大约2000台机器的数据。 如果你想知道我的数据集是什么样子的，我在下面给出了一个快速的概述(注意:每天的每个信号都有360个长度，如问题中所述)。 machine_num, day1, day2, ..., day28
m1, [12, 10, 5, 6, ...], [78, 85, 32, 12, ...], ..., [12, 12, 12, 12, ...]
m2, [2, 0, 5, 6, .
浏览 26提问于2019-12-15得票数 0
回答已采纳
我想做什么，
我要做的是在实时的日期流上下文中预测timeseries [x_0, x_1, x_2,...,x_T]中的每个点的下一个数据点D3，理论上这个序列是无穷大的。如果一个新的值x即将出现，我将把它输入网络并预测下一个值。因此，将return_sequenze参数设置为True的set模型不能工作，因为在实际应用中，在实际应用中，t没有用于i>t的数据点x_i。对于多步预测，我使用一个手动循环返回，其中我将预测值\hat{x}作为新的输入。
📷
我对LSTM
的理解
也许我误解了一些基本的东西：
Timelags
如果我们的步长为3(在一对多的网络中)，我们将得到输入/输出示例
浏览 0提问于2018-08-31得票数 22
我一直在尝试用keras创建一个keras，我很好地理解了训练的部分，但我不知道预测的部分。
那么，让我们想象一下，我们有10000个时间序列数据点。我们使用9000在前面的训练，而其他1000用于测试。因此，当我们开始训练时，我们将窗口长度设置为2，并将输入(X)设为第一个数据点，将输出(y)设置为第二个数据点时，将窗口向前滑动。
当我们训练的时候，模型因为它有状态的性质而会聚在一起。最后我们完成训练。
现在，我们只剩下一个模型和一些测试数据。问题从这里开始。我们测试第一个数据池。
它返回一个猜测的值。好的。
我们测试测试集的第二个数据点。
我们得到了输出。但问题是，因为我
浏览 2提问于2021-02-02得票数 3
回答已采纳
我目前正在使用Tensorflow作为后端的Keras。下面显示了一个LSTM序列预测模型，用于预测数据序列中的一个步骤(输入30个步骤，每个步骤有4个特性，输出预测步骤31)。
model = Sequential()
model.add(LSTM(
input_dim=4,
output_dim=75,
return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(
150,
return_sequences=False))
model.add(Dropout(0.2))
mode
浏览 3提问于2018-01-16得票数 2
回答已采纳
对于与时间相关的问题，例如股票预测：
假设我们有300天的数据，10个特性，还有一个目标:价格。
为什么，对于训练，我们只需要300天的价格？我知道这是LSTM模型的工作方式，但是考虑到其他299天模型的价格不是很有用吗？
浏览 0提问于2019-05-22得票数 0
1回答
LSTM预测
、、、、
我正在研究一个LSTM模型，我发现了一些例子，但我对输出感到困惑。在这里，我试图预测未来24小时，我应该把1或24放在致密层上？这一部分正确吗？我一直在关注这个
reg = Sequential()
reg.add(LSTM(units = 5, activation='relu', input_shape=(24,1)))
reg.add(Dense(24)) #Predicting the next 24h
谢谢。
浏览 20提问于2020-05-10得票数 0
回答已采纳
1回答
理解我的LSTM模型的结构
、、、、
我试图解决以下问题：
我有很多设备的时间序列数据。每个设备记录的长度为3000。每个捕获的数据点都有4个度量。所以我的数据是成形的(设备记录的数量，3000，4)。
我正在尝试生成一个长度为3000的向量，其中每个数据点都是3个标签(y1、y2、y3)中的一个，所以我想要的输出dim是(设备记录的数量，3000，1)。我给训练贴上了标签。
为此，我尝试使用LSTM模型，因为“随时间序列数据移动时的分类”似乎是RNN类型的问题。
我把我的网络设置成这样：
model = Sequential()
model.add(LSTM(3, input_shape=(3000, 4), return_se
浏览 5提问于2020-04-10得票数 1
回答已采纳
1回答
我目前正在实施一个预测模型。整个过程建立在回归的基础上。第一种模型是基于Keras的LSTM网络，第二种是基于sklearn的随机森林模型。
对于这两个模型，我使用相同的输入值和目标变量。LSTM网络的预报更接近实际观测值(较好的rmse和r2) (可能是由于记忆/回溯)，但随机森林模型提供了更好的高度和深度。随机森林模型似乎发现了比LSTM模型更好的依赖关系。
LSTM：
📷
随机-森林：
📷
LSTM模型理解更好的依赖关系的最佳方法是什么？我应该使用来自LSTM + RF的集成或叠加方法吗？说得通吗？
浏览 0提问于2018-05-20得票数 0
1回答
好的，所以我在上训练了一个有状态的LSTM。它似乎在准确性方面做得不错，但我知道我想创作我自己的莎士比亚作品。
问题是，我怎样才能真正从它中产生预测呢？
具体而言，所述模型批输入形状为(128,128，63)，所述输出形状为(128,128，63)。(第一个数字是批次大小，第二个数字是预测输入和输出的长度，第三个数字是文本中不同字符的数目。)
例如，我想：
从空文本开始生成各种预测
从一个小的起始文本(如"PYRULEZ:")开始生成预测
考虑到LSTM的工作方式，这应该是可能的。
下面是用于生成和匹配模型的代码片段：
model = Sequential()
浏览 1提问于2018-09-16得票数 2
1回答
我试着准备一个模型，从给定的数字数组中预测前两个数字。所以，输入数据集是这样-
[1 2 3 5] [4 8 5 9] [10 2 3 15]
输出将是- [1 2] [4 8] [10 2]
因此，RNN的体系结构如下(摘自)
那么，我想要达到的基本架构应该是接近这个的东西-
所以，它应该是一个多到多的网络。(类似于第四张图片)
问题--所以，我如何使用Keras?创建这种类型的模型？
我的发现-
我试过这样的方法-
n_samples = 10000
input = np.random.randint(5,10, (n_samples,5))
output = inpu
浏览 2提问于2018-05-13得票数 0
1回答
目标
试图在多元时间序列数据集上运行LSTM自动编码器：
X_train (200, 23, 178) - X_val (100, 23, 178) - X_test (100, 23, 178)
现状
普通的自动编码器比简单的LSTM结构得到更好的结果。
我对如何使用重复向量包装层有一些疑问，据我所知，该层应该简单地重复若干次，相当于LSTM/GRU单元的最后状态的序列长度，以便输入解码器层的输入形状。
模型结构没有产生任何错误，但结果仍然是一个数量级比一个简单的AE，而我希望他们至少是一样的，因为我使用的架构，应该更适合时间的问题。
首先，这些结果是否具有可比性？
然而，LSTM的重建误差
浏览 2提问于2019-02-28得票数 1
回答已采纳
我试图将健康结果建模为气候变量的函数。我在不同的时间和地点对健康结果有很多观察(但不是在一个地点的顺序)。对于每一次健康观察，我都有每个月的气温和降雨量，每个月的健康观察时间最长可达24个月。假设我有25000个观察结果。
所以我的结果是形状(25000, )，每一个都是从0到1的速率。
我的预测是形状(25000, 24, 2)，即24000次观测，超过24个月，有两个特征。
为了弄清楚我应该使用什么神经网络体系结构，我不断地遇到LSTM。然而，大多数应用程序似乎使用一些训练变量(例如股票价格、降雨量水平或文本序列)的倍数系列来了解趋势并对该变量进行预测。但是我希望使用天气数据来预测一个不同
浏览 0提问于2021-07-22得票数 0
1回答
在keras 1.2.2中，我创建了一个具有以下维度的数据集：
X_train：(2000,100，32，32，3)
y_train：(2000年1)
这里，2000是实例的数量(批数据)，100是每批中的样本数，32是图像行和cols，3是通道的数量(RGB)。
我已经写了这个代码，它在CNN之后应用了LSTM。我使用了TimeDistributed层，并取了LSTM输出的平均值，得到了这样的结果：
我希望LSTM能够在每一批上工作，然后取该批的LSTM输出的平均值。所以，我的总输出(标签)是一个(2000,1)向量。
我知道这个错误：
检查模型目标时的错误:期望l
浏览 3提问于2017-03-02得票数 3
回答已采纳
我正在尝试实现一种LSTM网络。LSTM需要从N个多层图像中提取特征地图。因此，对于所有N个图像，这些特征映射都需要以相同的方式计算。因此，这个网络在理想情况下是这样的：
问题是，Caffe似乎没有办法做到这一点。我可以将我的数据点(由3幅图像组成)切片到这3幅图像中，并且我可以在上面运行独立的Conv+Pool层来获取我的功能地图。但这不是我在训练中想要的。在传递给LSTM分层网络之前，这三种图像都需要具有相同的Conv +池权重。如何实现这一目标。
我不能在这里使用批处理大小的概念，因为我正在对多帧序列进行培训，因此每个批处理由M个数据点组成，每个数据点有3个图像。
浏览 1提问于2018-03-18得票数 1
回答已采纳
我最近一直在使用一个名为Monument(Monument.Ai)的AI/ML平台来预测时间序列。该平台包含各种ML标志和参数在algo内，以调整投影。当使用诸如Light和LSTM之类的algos时，有一个名为“刷新速率”的参数。刷新速率是接受整数的参数。在该平台中，它将刷新速率描述为
窗口的构造频率。每个窗口都用于验证这几个数据点。
其中，此上下文中的窗口是主培训期间内的“子窗口”。我的问题是，刷新速率的基本用途是什么，以及将其从1、10或50更改对预测有何影响？
浏览 1提问于2020-07-16得票数 1
2回答
我有一个变量，我想要预测到未来30年。不幸的是，我没有太多的样本。
df = pd.DataFrame({'FISCAL_YEAR': [1979,1980,1981,1982,1983, 1984,
1985, 1986, 1987, 1988, 1989, 1990, 1991, 1992, 1993, 1994,
1995, 1996,
1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005, 2006,
2007, 2008, 2009, 2010, 201
浏览 2提问于2018-11-03得票数 8
1回答
这里：在段落下：LSTM网络进行回归，这个家伙在LSTM代码中反转预测。如果我删除这些代码行，结果的预测是无用的。我的意思是这个模型不能预测任何事情。那么，我的问题是，反演预测的代码到底能做什么？他为什么要用它？
浏览 13提问于2022-09-18得票数 0
回答已采纳
1回答
我们已经训练了一个ML模型并将其部署到生产中。经过训练的ML模型使用了大约50-60个特征。用户在我们的平台上输入一组信息，这些信息与模型所训练的所有功能都不太接近。
我们如何使用ML算法进行预测，该算法所训练的特征数量远远超过您的测试点？
一个信用评分的例子。该模型以用户的信用历史、人口、地点、收入、费用、财务等数据为基础进行训练。在此基础上，我们希望在我们的平台上预测一个新用户的得分。我们可以收集一些基本的信息，但不能获得所有的数据。
当测试数据点与训练有素的模型相比，测试数据点的信息有限时，是否有方法进行预测？对测试数据进行假设也是不现实的，因为您只是没有足够的信息。其他的工作是什么？
浏览 0提问于2021-11-24得票数 0
1回答
我在此基础上训练了一个w2v模型和一个keras模型：
pretrained_weights = w2v_model.wv.syn0
vocab_size, emdedding_size = pretrained_weights.shape
keras_lstm_model = Sequential()
keras_lstm_model.add(Embedding(input_dim = vocab_size, output_dim = emdedding_size, weights = [pretrained_weights]))
keras_lstm_model.add(LSTM(uni
浏览 0提问于2018-09-17得票数 1
1回答
我正在创建一个语言模型:一个包含2个双向LSTM层的seq2seq模型。我已经训练了这个模型，而且它的精度似乎很好，但是当我坚持想出推理模型的时候，我发现自己被每个LSTM层返回的状态弄糊涂了。
我正在使用本教程作为指南，尽管这个链接中的示例不是使用双向层：。
注意:我使用的是预先训练过的单词嵌入。
lstm_units = 100
# Set up embedding layer using pretrained weights
embedding_layer = Embedding(total_words+1, emb_dimension, input_length=max_input_
浏览 9提问于2022-08-22得票数 0
回答已采纳
2回答
有没有办法在Google charts的垂直刻度中创建一个中断？
我在y轴上有几十个数据点，大约是600-2000，除了一个值，几乎是300,000；这使得所有较小的数据点几乎不可读。我需要表示所有这些数据，而对数刻度不是一个选项。
浏览 1提问于2013-01-21得票数 4
回答已采纳
1回答
LSTM模型不良预测
、、、、
我试图实现用于时间序列预测的LSTM模型。下面是我的试用码。此代码运行时没有错误。
metrics = ['mean_squared_error', 'mean_absolute_error', 'mean_absolute_percentage_error']
# define model
model = Sequential()
model.add(LSTM(100, activation='relu', input_shape=(n_past, 6), return_sequences=True))
model.add(
浏览 0提问于2020-12-07得票数 1
我读过这个文档：https://iamtrask.github.io/2015/11/15/anyone-can-code-lstm/非常简单，但我不知道如何使用它来预测交易系统中的下一个序列(例如)。
在上面的文章中，它“循环”并返回每个周期一个“位”，但是如果我只需要一个输出(就像在交易系统中)？
我想，我必须给“输出”也/只，这是对的吗？
谢谢
浏览 0提问于2020-05-09得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
