我正在尝试对时间序列数据使用LSTM模型。我处理的数据的具体背景是用于未来价格预测的Twitter情感分析。我的数据看起来像这样：

   date      mentions   likes  retweets  polarity  count   Volume   Close2017-04-10     0.24     0.123    -0.58     0.211    0.58    0.98    0.872017-04-11    -0.56     0.532     0.77     0.231   -0.23    0.42    0.92...2019-01-10     0.23     0.356    -0.21    -0.682    0.23   -0.12   -0.23

数据大小为(608, 8)，我计划使用的特征是第2到第7列，我要预测的目标是Close（即第8列）。我知道LSTM模型需要输入为3D张量，因此我进行了一些操作来转换和重塑数据：

x = np.asarray(data.iloc[:, 1:8])y = np.asarray(data.iloc[:, 8])x = x.reshape(x.shape[0], 1, x.shape[1])

之后，我尝试如下训练LSTM模型：

batch_size = 200model = Sequential()model.add(LSTM(batch_size, input_dim=3, activation='relu', return_sequences=True))model.add(Dropout(0.2))model.add(LSTM(128, activation='relu'))model.add(Dropout(0.1))model.add(Dense(32, activation='relu'))model.add(Dropout(0.2))model.add(Dense(1))model.compile(loss='mean_squared_error',               optimizer='rmsprop',               metrics=['accuracy'])model.fit(x_train, y_train, epochs=15)

运行这个模型时，我得到了以下错误：

ValueError: Error when checking input: expected lstm_10_input to have shape (None, 3) but got array with shape (1, 10)

有人知道我哪里做错了么？是我准备数据的方式有问题，还是我训练模型的方式不对？

我已经阅读了这个社区的许多相关问题以及文章/博客，但我仍然难以找到解决方案…任何帮助都将不胜感激，谢谢！

回答：

错误1：

x的形状应该是(batch_size, timesteps, input_dim)

错误2：

LSTM的第一个参数不是批量大小，而是输出大小

示例：

df = pd.DataFrame(np.random.randn(100,9))x_train = df.iloc[:,1:8].valuesy_train = df.iloc[:,8].values# 样本数，时间步长，输入大小（在你的情况下是1）x_train = x_train.reshape(x_train.shape[0],x_train.shape[1], 1)model = Sequential()# 每个时间步的第一个LSTM的16个输出model.add(LSTM(16, input_dim=1, activation='relu', return_sequences=True))model.add(Dropout(0.2))model.add(LSTM(8, activation='relu'))model.add(Dropout(0.1))model.add(Dense(4, activation='relu'))model.add(Dropout(0.2))model.add(Dense(1))model.compile(loss='mean_squared_error',               optimizer='rmsprop',               metrics=['accuracy'])model.fit(x_train, y_train, epochs=15, batch_size=32)