python - LSTM-Keras 是否考虑了时间序列之间的依赖关系？

Question

我有:

• 多个时间序列作为输入
• 预测输出中的时间序列点

如何确保模型通过使用输入中所有时间序列之间的依赖关系来预测数据？

编辑 1
我当前的型号:

model = Sequential()
model.add(keras.layers.LSTM(hidden_nodes, input_dim=num_features, input_length=window, consume_less="mem"))
model.add(keras.layers.Dense(num_features, activation='sigmoid'))
optimizer = keras.optimizers.SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)

Answer 1

默认情况下，keras 中的 LSTM 层(以及任何其他类型的循环层)不是有状态的，因此每次将新输入输入网络时状态都会重置。您的代码使用此默认版本。如果需要，可以通过在 LSTM 层内指定 stateful=True 使其有状态，这样状态就不会被重置。可以阅读更多相关语法here ，和 this blog post提供有关有状态模式的更多信息。

下面是相应语法的示例，取自 here :

trainX = numpy.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))
testX = numpy.reshape(testX, (testX.shape[0], testX.shape[1], 1))
# create and fit the LSTM network
batch_size = 1
model = Sequential()
model.add(LSTM(4, batch_input_shape=(batch_size, look_back, 1), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
for i in range(100):
    model.fit(trainX, trainY, epochs=1, batch_size=batch_size, verbose=2, shuffle=False)
    model.reset_states()
# make predictions
trainPredict = model.predict(trainX, batch_size=batch_size)
model.reset_states()
testPredict = model.predict(testX, batch_size=batch_size)