如何使用 LSTM 对图像进行时间序列预测？

Posted 2023-03-12

【中文标题】如何使用 LSTM 对图像进行时间序列预测？

【英文标题】：How to do the time series prediction using LSTM for images?

【发布时间】：2020-03-03 22:37:57

【问题描述】：

我有 20 张不同时间段的图片

将它们作为数组读取后，我有大约 100000 个像素，其值已知 20 个时间段，我必须使用 LSTM 预测每个像素的第 21 个时间段值。

我正在使用具有 5 个时间值作为输入的 X_train 训练我的模型，而 Y_train 采用第 6 个时间值。

如果我将 X=[500,450,390,350,300] 作为输入，我想要的输出类似于 Y=[260]。

我有一个包含所有形状为 (100769,20) 的图像的数组

我的代码如下，请提出一些建议。

使用的库

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Dropout
from keras.backend import clear_session

创建 5 年的训练数据

for c in range(100769):
    X=[]
    Y=[]
    for d in range (15):
        x=res_arr[c][d:d+5]
        X.append(x)
        y=res_arr[c][d+5]
        Y.append(y)

Keras 用法

Initialising the RNN
X_train=(1/6300)*(np.array(X))
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1],1))
Y=np.reshape(Y,(15,1))
Y_train=(1/6300)*(Y)

初始化循环神经网络

regressor = Sequential()

添加第一个 LSTM 层和一些 Dropout 正则化

regressor.add(LSTM(units = 30, return_sequences = True,activation='relu',input_shape = (X_train.shape[1], 1)))
regressor.add(Dropout(0.2))

添加第二个 LSTM 层和一些 Dropout 正则化

regressor.add(LSTM(units = 30, activation='relu',return_sequences = True))
regressor.add(Dropout(0.2))

添加第三个 LSTM 层和一些 Dropout 正则化

regressor.add(LSTM(units = 30,activation='relu', return_sequences = True))
regressor.add(Dropout(0.2))

添加第四个 LSTM 层和一些 Dropout 正则化

regressor.add(LSTM(units = 30,activation='relu'))
regressor.add(Dropout(0.2))

添加输出层

regressor.add(Dense(units = 1,activation='relu'))

编译循环神经网络

regressor.compile(optimizer = 'Adam', loss = 'mean_squared_error',metrics=['accuracy'])

将 RNN 拟合到训练集

regressor.fit(X_train, Y_train)
_, accuracy = regressor.evaluate(X_train, Y_train)
#print('Accuracy: %.2f' % (accuracy*100))
acc.append(accuracy*100)

模型总结

regressor.summary()

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_1 (LSTM)                (None, 5, 30)             3840      
_________________________________________________________________
dropout_1 (Dropout)          (None, 5, 30)             0         
_________________________________________________________________
lstm_2 (LSTM)                (None, 5, 30)             7320      
_________________________________________________________________
dropout_2 (Dropout)          (None, 5, 30)             0         
_________________________________________________________________
lstm_3 (LSTM)                (None, 5, 30)             7320      
_________________________________________________________________
dropout_3 (Dropout)          (None, 5, 30)             0         
_________________________________________________________________
lstm_4 (LSTM)                (None, 30)                7320      
_________________________________________________________________
dropout_4 (Dropout)          (None, 30)                0         
_________________________________________________________________
dense_1 (Dense)              (None, 1)                 31        
=================================================================
Total params: 25,831
Trainable params: 25,831
Non-trainable params: 0

【问题讨论】：

可以打印一下摘要吗？

我已经附上了上面问题中模型的总结。

【参考方案1】：

将最后一层更改为

regressor.add(Dense(units = 1,activation='linear'))