deep-learning - 时间序列模型参数问题

Question

我在网上阅读了许多关于参数 [样本、时间步长、功能] 的资源。而且，我想澄清两点：

1. 我看到了一些我无法说出为什么要以一种或另一种方式选择它们的例子。例如，这里 https://machinelearningmastery.com/use-different-batch-sizes-training-predicting-python-keras/ （顺便说一下很好的资源），作者选择这两个序列作为 2 个特征

   1  0.1  0.0
   2  0.2  0.1
   3  0.3  0.2
   4  0.4  0.3
   5  0.5  0.4
   6  0.6  0.5
   7  0.7  0.6
   8  0.8  0.7
   9  0.9  0.8
   

但是，我不明白为什么它们不是具有 1 个特征和 9 个时间步长的两个样本，这是一样的吗？

2. 假设我有一个包含 50 行 9 列的数据框（这将是特征 fet1，...，fet9）。但是，它们实际上是三天的三元组，所以实际上序列类似于 day1_fet1, day1_fet2, day1_fet3, day2_fet1,....,day3_fet3), 和一个目标列（即多对一情况）。我试图重塑新行

   day1_fet1, day1_fet2, day1_fet3
   day2_fet1 etc....
   

所以 timesteps=3 和 features=3 （我想要任何一组 3 行 0-2、3-5 等。将是一个示例）。

这听起来好吗？如果我将所有 9 个功能都保留在同一行会发生什么，是否也有可能？谢谢！！

标签： deep-learningtime-serieslstm

Answer 1

好吧，这一切都取决于您期望模型的输出。通常，只有每个时间戳的特征应该在该行中。

我假设在您的示例中，第二行从第 4 天数据开始。因此，为每个时间戳设置单独的行更有意义。但是您也可以在每行有 3 天时测试模型。在这种情况下，每个预测步骤都预测 3 天的数据。