我最近开始学习如何为多变量时间序列数据构建LSTM模型。我已经查看了这里和这里，了解如何填充序列并实现多对多LSTM模型。我创建了一个数据框来测试模型，但总是遇到下面的错误。
d = {'ID':['a12', 'a12','a12','a12','a12','b33','b33','b33','b33','v55','v55','v55','v55','v55','v55'], 'Exp_A':[2.2,2.2,2.2,2.2,2.2,3.1,3.1,3.1,3.1,1.5,1.5,1.5,1.5,1.5,1.5], 'Exp_B':[2.4,2.4,2.4,2.4,2.4,1.2,1.2,1.2,1.2,1.5,1.5,1.5,1.5,1.5,1.5], 'A':[0,0,1,0,1,0,1,0,1,0,1,1,1,0,1], 'B':[0,0,1,1,1,0,0,1,1,1,0,0,1,0,1], 'Time_Interval': ['11:00:00', '11:10:00', '11:20:00', '11:30:00', '11:40:00', '11:00:00', '11:10:00', '11:20:00', '11:30:00', '11:00:00', '11:10:00', '11:20:00', '11:30:00', '11:40:00', '11:50:00']}df = pd.DataFrame(d)df.set_index('Time_Interval', inplace=True)我尝试使用蛮力方法进行填充：
from keras.preprocessing.sequence import pad_sequencesx1 = df['A'][df['ID']== 'a12']x2 = df['A'][df['ID']== 'b33']x3 = df['A'][df['ID']== 'v55']mx = df['ID'].size().max() # 查找最大组seq1 = [x1, x2, x3]padded1 = np.array(pad_sequences(seq1, maxlen=6, dtype='float32')).reshape(-1,mx,1)以类似的方式，我为每个特征创建了padded2、padded3和padded4：
padded_data = np.dstack((padded1, padded1, padded3, padded4))padded_data.shape = (3, 6, 4)padded_dataarray([[[0. , 0. , 0. , 0. ], [0. , 0. , 2.2, 2.4], [0. , 0. , 2.2, 2.4], [1. , 1. , 2.2, 2.4], [0. , 0. , 2.2, 2.4], [1. , 1. , 2.2, 2.4]], [[0. , 0. , 0. , 0. ], [0. , 0. , 0. , 0. ], [0. , 0. , 3.1, 1.2], [1. , 1. , 3.1, 1.2], [0. , 0. , 3.1, 1.2], [1. , 1. , 3.1, 1.2]], [[0. , 0. , 1.5, 1.5], [1. , 1. , 1.5, 1.5], [1. , 1. , 1.5, 1.5], [1. , 1. , 1.5, 1.5], [0. , 0. , 1.5, 1.5], [1. , 1. , 1.5, 1.5]]], dtype=float32)编辑
#分成训练/测试train = pad_1[:2] # 用前两个样本进行训练。test = pad_1[-1:] train_X = train[:,:-1] # 一步预测。train_y = train[:,1:]test_X = test[:,:-1] # 用最后一个样本进行测试test_y = test[:,1:]# 检查形状print(train_X.shape, train_y.shape, test_X.shape, test_y.shape)#(2, 5, 4) (2, 5, 4) (1, 5, 4) (1, 5, 4)# 设计网络model = Sequential()model.add(Masking(mask_value=0., input_shape=(train.shape[1], train.shape[2])))model.add(LSTM(32, input_shape=(train.shape[1], train.shape[2]), return_sequences=True))model.add(Dense(4))model.compile(loss='mae', optimizer='adam', metrics=['accuracy'])model.summary()# 拟合网络history = model.fit(train, test, epochs=300, validation_data=(test_X, test_y), verbose=2, shuffle=False)[![enter image description here][3]][3]
所以我的问题是：
- 肯定有更有效的数据转换方法，对吗？
- 假设我想对未来序列进行单步预测，我有
第一个时间步 = array([[[0.5 , 0.9 , 2.5, 3.5]]], dtype=float32)其中第一个时间步是序列的一个单一“帧”。如何调整模型以纳入这个？
回答：
为了解决错误，请从LSTM层的参数中移除return_sequence=True（因为在你定义的这种架构中，你只需要最后一层的输出），并且简单地使用train[:, -1]和test[:, -1]（而不是train[:, -1:]和test[:, -1:]）来提取标签（即移除:会导致第二轴被删除，从而使标签形状与模型的输出形状一致）。
顺便提一下，将Dense层包装在TimeDistributed层内是多余的，因为Dense层是在最后一个轴上应用的。
更新：至于新的问题，要么填充只有一个时间步的输入序列，使其形状为(5,4)，要么将第一层的输入形状（即Masking）设置为input_shape=(None, train.shape[2])，这样模型就可以处理不同长度的输入。
