neural-network - 如何理解 Keras 1D Convolution 输入形状和过滤器

Question

我花了一些时间才明白input_shape = (batch_size, steps, input_dim)在 Keras Conv1D 中，但到目前为止我无法取得任何进展。

更具体地说，我有 2 个数据集。

数据集1:一年中每天24小时的太阳能生产，所以我的数据集的大小是(364,24)，天在行中，消耗在列中。

2天的例子:

day-1: [0   0   0   0   0   0   0   1.611   5.791   8.229   9.907   9.649   8.401   6.266   4.728   2.231   0.306   0.013   0   0   0   0   0   0] 
day-2: [0   0   0   0   0   0   0   1.732   5.839   9.909   12.593  14.242  12.744  9.596   5.808   2.019   0.241   0   0   0   0   0   0   0]`

我想用 CNN 做的是使用 6 天的数据来预测第 7 天。
出于这个原因，我像这样划分了我的数据集:

xtrain = dataset[0:6,0:24] # takes 24 hour of 6 days
ytrain = dataset[6,0:24] # takes 24 hour of 7th day
xtest = dataset[1:7,0:24] # takes 24 hours for 6 days (day2 to day7) to predict day 8

为了与 Keras 的输入形状兼容，我将训练数据 reshape 如下:

xtrain = xtrain.reshape(6,1,24)

样本数:6，时间维度:1，input_dimension:24

这是正确的想法吗？

model.add(Conv1D(**filters?**,kernel_size=4,activation='relu', **input_shape=?**)) 

在我的第二个数据集中:

Training Data: Xtrain: Day-1 Hour-1 to Hour-24, Day-2 Hour-1 to Hour-24 ... Day-6 Hour-1 to Hour-24
Ytrain: Day-7 Hour-1 to Hour-24

我创建了一个新的数据集，它在行中需要一天 24 小时，在列中需要 7 天，所以它是一个 (8616,7) 矩阵。

hour-1 day-1, day-2 ... day-7
hour-2 day-1, day-2 ... day-7
...
hour-24 day-1, day-2 ... day-7
...
hour-1 day-2, day-3 ... day-8
hour-2 day-2, day-3 ... day-8
...
hour-24 day-2, day-3 ... day-8
...
hour-1 day-359, day-360 ... day-365
hour-2 day-359, day-360 ... day-365
...
hour-24 day-359, day-360 ... day-365

凯拉斯代码:

xtrain = dataset[0:24,0:6] # takes 24 hour for 6 days
ytrain = dataset[24:48,6] # takes 24 hour of 7th day
xtest = dataset[24:48,0:6] # takes 24 hours for 6 days (day2 to day7) to predict day 7

xtrain = xtrain[newaxis,:, :]
ytrain = ytrain.reshape(1,24)

我真的不明白过滤器和 input_shape 应该是什么。

Answer 1

您应该以如下结构重新格式化数据集:
[365,6,24]
第一个维度设定了日期。
第二个维度设置时间步长(6 天的进展)，因此您应该采用原始数据集的每一天 6:365，然后复制过去 6 天 24 小时。
第三维是每小时
假设您订购了 [1:365,1:24] 的原始数据集:

xtrain=np.array(np.tile(xtrain,[6 1]))

xtrain=np.reshape(xtrain,(365,6,24))

然后现在您拥有 conv1d 所需的 3D 格式(批处理、时间步长、 channel )