我的时间序列数据有两个特征：

                 0         11/22/20      555.0      17.01/23/20      654.0      18.01/24/20      941.0      26.01/25/20     1434.0      42.01/26/20     2118.0      56.0...            ...       ...5/3/20   3506729.0  247470.05/4/20   3583055.0  251537.05/5/20   3662691.0  257239.05/6/20   3755341.0  263831.05/7/20   3845718.0  269567.0[107 rows x 2 columns]

我试图创建一个多变量LSTM模型来对每个列进行预测。在处理数据后，训练和测试数组的形状如下：

Legend:  (samples, time steps, features)x_train: (67, 4, 2)y_train: (67, 2)x_test:  (26, 4, 2)y_test:  (26, 2)

以下是模型定义：

forecast_horizon = 4feature_n = 2early_stopping = EarlyStopping(patience=50, restore_best_weights=True)model = Sequential()model.add(LSTM(5, input_shape=(forecast_horizon, feature_n)))model.add(Activation("relu"))model.add(Dropout(0.1))model.add(Dense(feature_n))model.add(Activation("relu"))model.compile(loss="mean_squared_error", optimizer="adam")history = model.fit(x_train, y_train, epochs=1000, batch_size=1, verbose=0,                    callbacks=[early_stopping], validation_split=0.2)

预测结果全是零。 test_predictions = model.predict(x_test) 的输出是：

[[0.00839295 0.007538  ] [0.         0.        ] [0.00946797 0.00663883] [0.         0.        ] [0.         0.        ]  ...        ... [0.0007435  0.        ] [0.00116019 0.00032421] [0.         0.        ] [0.         0.        ] [0.         0.        ]]

在查看训练损失时，似乎模型学习效果不佳。

这只是简单地需要更长时间训练模型和调整超参数的问题，还是有其他因素在影响？如何实现一个正确的多变量LSTM模型？

回答：

批量大小为1意味着您的模型权重是基于单个观察值进行调整的，而不是针对一组观察值进行优化。常见的批量大小在16到32之间，但可以根据模型进行调整。

LSTM模型还需要数千个观察值，因此如果可能的话，获取更多的训练数据。

模型架构也可以有所不同，因此最好尝试多种不同的方法，看看哪种效果最好。您可以在这里找到更多信息： https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/