python - 如何用时间序列数据训练和预测 Keras LSTM？

Question

我已经弄清楚如何仅使用值来训练 LSTM，但如果我想包括时间，数据会是什么样子？也许输入维度为 2，时间为纪元秒和归一化值？数据中可能存在时间间隔，我希望培训能够反射(reflect)这一点。

假设我只想定期训练 LSTM，因为这是一项昂贵的操作，您将如何预测 future 的值，并且最后一次训练时间和第一次预测时间之间存在差距？例如，假设我在 3 天前训练了 LSTM，但现在我想预测第二天的值。

到目前为止，我所有的工作都是基于这篇文章:http://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/ .但它不包括这些类型的问题。

Answer 1

我认为您可以在构建训练集时处理这种情况，至少如果最后一个值(在输入序列中)和要预测的值之间的时间延迟是固定的。

设 X_train 的维度为:(nb_samples, timesteps, input_dim)，y_train 的维度为 (n_samples, output_dim)。令 x 为一个训练输入样本。它对应于维度为 (timesteps, input_dim) 的多元时间序列。其对应的输出为维度为(output_dim)的y。

在 y 中，您可以预测 x 中最后一个值之后 3 天的值，LSTM“应该”掌握时间依赖性。因此，如果输入中的最后一个值与要预测的值之间的时间延迟是固定的，这应该可行。

这样的问题就是这种情况:https://challengedata.ens.fr/en/challenge/9/prediction_of_transaction_volumes_in_financial_markets.html