python - Keras timeseriesgenerator:如何一步预测多个数据点?
问题描述
我有看起来像这样的气象数据:
DateIdx winddir windspeed hum press temp
2017-04-17 00:00:00 0.369397 0.155039 0.386792 0.196721 0.238889
2017-04-17 00:15:00 0.363214 0.147287 0.429245 0.196721 0.233333
2017-04-17 00:30:00 0.357032 0.139535 0.471698 0.196721 0.227778
2017-04-17 00:45:00 0.323029 0.127907 0.429245 0.204918 0.219444
2017-04-17 01:00:00 0.347759 0.116279 0.386792 0.213115 0.211111
2017-04-17 01:15:00 0.346213 0.127907 0.476415 0.204918 0.169444
2017-04-17 01:30:00 0.259660 0.139535 0.566038 0.196721 0.127778
2017-04-17 01:45:00 0.205564 0.073643 0.523585 0.172131 0.091667
2017-04-17 02:00:00 0.157650 0.007752 0.481132 0.147541 0.055556
2017-04-17 02:15:00 0.122101 0.003876 0.476415 0.122951 0.091667
我的目标:使用 keras timeseriesgenerator ( from tensorflow.keras.preprocessing.sequence import TimeseriesGenerator
) 一次训练和预测多个数据点(多行),例如不做
[input X] | [targets y]
[dp1, dp2, dp3, dp4, dp5] | [dp6]
[dp2, dp3, dp4, dp5, dp6] | [dp7]
[dp3, dp4, dp5, dp6, dp7] | [dp8]
...
但要做
[input X] | [targets y]
[dp1, dp2, dp3, dp4, dp5] | [dp6, dp7, dp8]
[dp2, dp3, dp4, dp5, dp6] | [dp7, dp8, dp9]
[dp3, dp4, dp5, dp6, dp7] | [dp8, dp9, dp10]
...
我可以通过
generator = TimeseriesGenerator(
X,
X,
length=5,
sampling_rate=1,
stride=1,
start_index=0,
end_index=None,
shuffle=False,
reverse=False,
batch_size=1,
)
,但我还没有弄清楚如何调整第二种预测的生成器选项。
有没有一种简单的方法可以使用 timeseriesgenerator 实现所需的 3 个数据点的预测窗口?如果没有,你能建议我一些代码来完成我的预测y
以完成任务吗?肿瘤坏死因子
解决方案
您可以使用 TimeSeries 生成器来更改目标条目。具体来说,既然你想预测下一个时间步长,你的目标应该是某种形式
target=np.concatenate((np.roll(X, -1, axis=0),
np.roll(X, -2, axis=0),
np.roll(X, -3, axis=0)
),axis=1)
滚动会使您的行向下移动,您可能应该扔掉目标的最后两行。因此,当您定义您的生成器时,您现在可以使用该target
对象作为参数:
generator = TimeseriesGenerator(
X,
target,
length=5,
sampling_rate=1,
stride=1,
start_index=0,
end_index=None,
shuffle=False,
reverse=False,
batch_size=1,
)
请注意,现在,当您确实调用model.fit
它时,期望输出形状像 3 dim_col X,因此您的模型架构和/或损失函数需要考虑这一点,因此您应该直接更改最后一层的输出昏暗,或者使用 3 个模型组合layer.concatenate([model_timeplus1,model_timeplus2,model_timeplus3], axis=-1)
如果您选择一个共享权重模型(一个 nn 生成的三个预测值model_timeplus1
):
layer.concatenate([model_timeplus1,model_timeplus1,model_timeplus3], axis=-1)
它相当于展开的递归神经网络。
推荐阅读
- javascript - R Shiny 在页面加载时运行 JS
- git - 如何更改 Bitbucket 中提交的作者?
- javascript - 如何在不重新加载页面的情况下获取表单数据?
- swift - DispatchGroup 通知方法应该只在所有事件在 Swift 中完成后运行一次
- python - VSCode Python 测试的自定义图标
- cython - 访问 cython 扩展类型成员时 nogil 是安全的
- powershell - 基于关键字的Powershell复制文件/文件夹
- sql - postgresQL jsonb比较解析
- r - xlim(), scale_x_continuous(), 绘制密度时不要更改 plot_summs() 的轴限制
- webpack - postcss.config.js - 只应用第一个插件