时间戳

首页 > 解决方案 > Keras timeseriesgenerator：如何一步预测多个数据点？

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

标签： pythontensorflowkerastime-seriesrecurrent-neural-network

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