Çok boyutlu ve çok değişkenli Zaman Serisi tahmini (RNN / LSTM) Keras

Bir nasıl temsil ve şekil verileri anlamaya çalışıyorlar de çok boyutlu ve çok değişkenli serisi keras (veya TensorFlow) kullanılarak tahmin zaman ama veri sunmayı konusunda birçok blog yayınları / öğreticiler / belgeleri okuduktan sonra hala çok belirsiz duyuyorum doğru şekil (çoğu örnek biraz daha az

Veri Kümem:

• birkaç şehir
• hangi sıcaklık, araba trafiği, nem hakkında bilgi var
• son 2 yıldır (her gün için bir rekor)

Ne yapmak istiyorum : Her şehir için sıcaklık, araba trafiği ve neminin gecikmeli bir versiyonunu kullanarak gelecek yıl için bekleyebileceğim sıcaklıkları tahmin etmek istiyorum (elbette birkaç özellik daha olacak, ancak bu sadece bir düşünce örneği).

Ne hakkında kafam karıştı: 2 şehrim varsa, 365 gün boyunca 3 özellik kaydettim. Modelimi bu iki şehir (365 gün için 2 zaman sıcaklık serisi) için 365 gün tahmin çıkarabilecek şekilde girdimi nasıl şekillendirmeliyim?

Sezgisel olarak tensör şekli (?, 365, 3)365 gün ve 3 özellik olacaktır. Ama ilk boyuta ne yapışacağımdan emin değilim ve en önemlisi, şehir sayısı için olsaydı şaşırırdım. Ancak aynı zamanda, boyutları doğru bir şekilde anlaması gerektiğini modele nasıl belirleyeceğimi bilmiyorum.

Herhangi bir işaretçi yardımcı olacaktır. Sorunun geri kalanına oldukça aşinayım (diğer sinir ağları için bunu yaptığımdan, ancak daha spesifik olarak istenen giriş için diziyi kodlamak için en iyi şekilde nasıl yapıldığımdan dolayı Keras vb.

Oh ve ayrıca , sanırım her şehir için bağımsız olarak eğitim alıp tahmin edebiliyorum, ama eminim herkes muhtemelen herhangi bir şehre özgü olmayan, ancak sadece birkaç tanesini göz önüne alırsa görülebilecek şeyler olduğunu kabul edecek, bu yüzden modelde kodlamanın önemli olduğunu düşünüyorum.

Bir LSTM için giriş şekli olmalıdır (num_samples, num_time_steps, num_features). Örnek durumda, her iki şehri de giriş olarak birleştirmek num_features2x3 = 6 olacaktır.

Tüm 365 zaman adımlarınızı bir numuneye toplarsanız, ilk boyut 1 - tek bir örnek olacaktır! Toplam veri noktası sayısını kullanarak da sağlık kontrolü yapabilirsiniz. Her biri 365 zaman adımı ve 3 özelliğe sahip 2 şehriniz var: 2x365x3 = 2190. Bu açıkça 1x365x6 ile aynıdır (yukarıda söylediğim gibi) - bu bir olasılık olurdu (Keras çalışacak) - ama açıkçası genellemeyi öğrenmeyecek, sadece bir örnek vereceğim.

Son zamanlarda cevapladığım bu ilgili soruya bir göz atın . Orada haddeleme penceresi kullanma hakkında biraz konuşuyorum (daha fazla bilgi için cevabın yorumlarına bakın). İhtiyacınız olursa daha fazla numune satın alacaksınız.

Her iki şehir için veri olarak tek bir modeli girdi olarak eğitmek istiyorsanız, her zaman adımında her iki şehir için tahminler yapmak Dense, 2 birim çıktı veren bir son katman tanımlamak kadar basittir . Doğrulama / test verileriniz elbette bir demet içermelidir (şehir1, şehir2).

Buna yaklaşmanın belki de daha sofistike bir yolu, tek bir şehir bazında veri setleri oluşturmak, daha sonra her bir şehir için ayrı ayrı alt modeller yetiştirmek (5 katman için diyelim), daha sonra Merge/ daha sonra Concatenatebirkaç katman daha koymak olacaktır. Bu, her şehrin öğrenilmiş özelliklerini birleştirdiğiniz anlamına gelir, bu da daha yüksek bir soyutlama seviyesiyle birleştirilir. İşte bir arama motorundan aldığım fikri gösteren ilk resim .