LSTM 时间序列分类

Posted 2023-02-16

【中文标题】LSTM 时间序列分类

【英文标题】：LSTM Timeseries Classification

【发布时间】：2018-03-29 04:47:45

【问题描述】：

我是神经网络和 LSTM 的新手，因此需要一些帮助。

我有 100 个不同时间长度的文件，每个文件都有 13 个特征。每个文件代表一个输出类。

现在，我想要一个可以对这些时间序列文件进行分类的 LSTM 网络。 我应该怎么做？我应该如何处理/准备我的数据？网络的输入应该是什么样的？

提前致谢。

【问题讨论】：

您的问题似乎过于含糊。首先要清楚你的要求是什么，以及 LSTM 的要求是什么，以根据你的需要预测输出。你说的特征是什么意思？特征是“列”还是您的平均“时间步长”？你能展示一下你的文件数据是什么样子的例子吗？

@FawadKhalil，我有 100 个文件（每个文件属于一个主题），每个文件中有 13 个不同的传感器数据列（例如，传感器 1、传感器 2、...传感器 13）。它用于对人类活动进行分类，即他是否在行走/跑步/坐着/站立等。我想使用 LSTM 为它实现一个分类器，因为它可以包含很长时间的上下文信息。现在我的问题基本上是，我如何将这些数据提供给 LSTM 网络？我应该如何处理它？我应该将时间序列分开并进行单变量序列分类，还是可以将所有这些时间序列仅提供给一个网络？

【参考方案1】：

您将使用 RNN 的多对一配置来完成分类任务。您将时间序列序列输入网络，然后网络将为您生成单个输出。

现在，您将准备形状（样本、时间步、特征）和标签中的数据以成为形状（标签、）。然后您的测试集将遵循相同的格式。例如，您有一组 50 个视频，每个视频 30 秒，每帧 100 个像素。以下是形状中每个术语的含义的解释：

样本：这些是样本，一个样本可能包含多个时间步长。如果是上述示例，则为 50。

timesteps：这是您在预测当前步长时必须及时查看的时间步长数。提到的示例将是 30，因为您将查看 30 个时间步长来预测有关视频的某些内容。通常，这可能取决于您的选择和要求您选择的数字。

特征：这些是每个时间步的特征/属性。对于上述示例，它将是 100。

标签：这些是每个样本的标签。它的形状会根据您的需要而变化。

因此，对于我们的视频示例，训练的形状为 (50, 30, 100)，标签的形状为 (50, )。测试数据将具有形状（无、30、100）。在这里，None 表示它可以是“任意”，这表示您可以在测试数据中拥有任意数量的样本进行预测。

更多关于LSTM的参考和解释，请看：this video

您也可能有兴趣关注this link、this 和this。如果对您有好处，请查看this。

另外，请确保您学习并做某事，并来这里询问您在此过程中遇到的问题。谢谢你:)