时间戳

首页 > 解决方案 > TF 2.0 LSTM：如何用于支出预测？

python - TF 2.0 LSTM：如何用于支出预测？

问题描述

我想使用 TensorFlow 2.0 中的 LSTM 来预测下个月的所有客户支出（这可能不是常见的 LSTM 用例）。我的数据有 10k 个客户每月的支出数据。

格式：

Customer ID,  time(yyyymm), target(spending), age, gender,  all other features.....
customer 1,   201912,       100
customer 1,   201911,       200
...
customer 1,   201402,       300
customer 1,   201401,       100
customer 2,   201912,        0
....
customer 2,   201401,       50
customer 3,   201912,       100
....
customer 10k, 201401

它有 4 个维度用于 LSTM 的输入：(10k customers * 60 months samples * 3 timesteps (quarterly) * 100 features). 通常 LSTM 需要 3 个维度：(nb_samples, timesteps, features)

我的问题：

我想我仍然不确定我的数据的正确方法是什么。我把我的起始代码放在下面，但我认为我的一些低估是不正确的：

lstm_input = tf.keras.layers.Input(shape=(60,3,100), name='lstm_input') 
x = tf.keras.layers.LSTM(64, name='lstm_0',return_sequences=True)(lstm_input)
x = tf.keras.layers.GlobalMaxPooling1D()(x)
....

我应该改变什么以使我的数据适合 LSTM 或 RNN 模型？

更新

我想我可能需要像下面这样输入？还是我什至应该使用 RNN/LSTM 对其进行建模？

  [         Month1                    Month2                  ...  Month60
customer 1: [[fe1(1,1)...fe100(1,1)], [fe1(1,2)...fe100(1,2)],... ,[fe1(1,60)...fe100(1,60)]]
customer 2: [[fe1(2,1)...fe100(2,1)], [fe1(2,2)...fe100(2,2)],... ,[fe1(2,60)...fe100(2,60)]]
  ....
customer N: [[fe1(n,1)...fe100(n,1)], [fe1(n,2)...fe100(n,2)],... ,[fe1(n,60)...fe100(n,60)]]
  ]

标签： pythontensorflowkeraslstm

解决方案

也许这个观察有帮助。为每个客户获取每个月的总支出。这样，您就有了固定数量的时间步长（60 个月）和 10k 个样本。我假设你知道这里解释的所有术语。

我也不明白 *3（季度）部分，数据是在三个月内采样的吗？

推荐阅读