如何在 Keras 中为 LSTM 构建三维滞后时间步长?
Posted
技术标签:
【中文标题】如何在 Keras 中为 LSTM 构建三维滞后时间步长?【英文标题】:How to Structure Three-Dimensional Lag TimeSteps for an LSTM in Keras? 【发布时间】:2021-09-27 04:00:37 【问题描述】:我知道 LSTMS 需要一个三维数据集才能按照这种格式运行,N_samples x TimeSteps x Variables。我想将我所有行的单个时间步长的数据重组为按小时计算的 Lag 时间步长。这个想法是,LSTM 将逐小时进行批量训练(从 310033 行 x 1 时间步 x 83 变量到 310033 行 x 60 时间步 x 83 变量)。
但是,我的模型的损失很奇怪(随着 epoch 增加训练损失),并且训练准确度从单个时间步下降到滞后时间步。这让我相信我做错了这个转变。这是重组数据的正确方法还是有更好的方法?
数据是 1 秒记录的时间序列数据,已经被预处理到 0-1 范围内,One-Hot 编码,清洗等...
Python 中的当前转换:
X_train, X_test, y_train, y_test = train_test_split(scaled, target, train_size=.7, shuffle = False)
#reshape input to be 3D [samples, timesteps, features]
#X_train = X_train.reshape((X_train.shape[0], 1, X_train.shape[1])) - Old method for 1 timestep
#X_test = X_test.reshape((X_test.shape[0], 1, X_test.shape[1])) - Old method for 1 timestep
#Generate Lag time Steps 3D framework for LSTM
#As required for LSTM networks, we must reshape the input data into N_samples x TimeSteps x Variables
hours = len(X_train)/3600
hours = math.floor(hours) #Most 60 min hours availible in subset of data
temp =[]
# Pull hours into the three dimensional feild
for hr in range(hours, len(X_train) + hours):
temp.append(scaled[hr - hours:hr, 0:scaled.shape[1]])
X_train = np.array(temp) #Export Train Features
hours = len(X_test)/3600
hours = math.floor(hours) #Most 60 min hours availible in subset of data
temp =[]
# Pull hours into the three dimensional feild
for hr in range(hours, len(X_test) + hours):
temp.append(scaled[hr - hours:hr, 0:scaled.shape[1]])
X_test = np.array(temp) #Export Test Features
转换后的数据形状:
模型注入:
model.add(LSTM(128, return_sequences=True,
input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dropout(0.15)) #15% drop out layer
#model.add(BatchNormalization())
#Layer 2
model.add(LSTM(128, return_sequences=False))
model.add(Dropout(0.15)) #15% drop out layer
#Layer 3 - return a single vector
model.add(Dense(32))
#Output of 2 because we have 2 classes
model.add(Dense(2, activation= 'sigmoid'))
# Define optimiser
opt = tf.keras.optimizers.Adam(learning_rate=1e-5, decay=1e-6)
# Compile model
model.compile(loss='sparse_categorical_crossentropy', # Mean Square Error Loss = 'mse'; Mean Absolute Error = 'mae'; sparse_categorical_crossentropy
optimizer=opt,
metrics=['accuracy'])
history = model.fit(X_train, y_train, epochs=epoch, batch_size=batch, validation_data=(X_test, y_test), verbose=2, shuffle=False)
关于如何提高性能或修复滞后时间步的任何意见?
【问题讨论】:
【参考方案1】:由于您尝试针对 x 变量的滞后值和当前值预测 y,因此您的 y_train 需要在第一组滞后值之后开始,或者 y_train 需要为 y_train[59:] 并且您的 X_train 需要在训练期间结束,并且y_train 的最后一次观察应该对应于 X_train,它具有与 y_train 相同的最新数据时间点。所以取 X_train[:y_train[59:].shape[0], 60, 83]
要详细说明,你需要适应:
X(t), X(t-1), X(t-2), ..., X(t-59) ---- > y(t)
X(t+1), X(t), X(t-1),..., X(t-58) ------> y(t+1)
如果我没记错的话,你写的代码可能正好相反:
X(t), X(t-1), X(t-2), ..., X(t-59) ---- > y(t-59)
【讨论】:
感谢您的回复!这可以使用 shift() 到目标字段来完成吗?此外,如果我将滞后时间步长从 1 拆分为 60 拆分,您是否知道如何处理 N_samples。假设我在拆分之前的初始数据中使用了 60 个时间步长和我的数据 309600 行。我可以进行 70 - 30 的训练和测试拆分(分别为 216720 和 92880 行),其中每个时间步长为 3870 行或大约一小时的数据。测试数据的结构是否为 3870 x 60 x 84 而不是 216720 x 60 x 84? 当您采用 60 个滞后值时,用于模型拟合的起始 X_train 是(除了滞后的过去值) X_train(60),因此只需删除 y[:60] 就足够了。因此,服用 y_train[60:] 就足够了。此外 X_train 不应超出 y_train[60:].shape[0] 并且您也需要注意这一点。我的想法是:首先您进行秒到小时的转换,其次进行滞后和 X 到 Y 时间映射并进行所需的修整,然后进行训练测试拆分。您的最终训练维度将是 (y_train[lag_hours:].shape[0], lag_hours, variable_numbers)以上是关于如何在 Keras 中为 LSTM 构建三维滞后时间步长?的主要内容,如果未能解决你的问题,请参考以下文章