如何指定要在 RNN 中预测的列/特征？

Posted 2023-02-16

【中文标题】如何指定要在 RNN 中预测的列/特征？

【英文标题】：How do I specify what column/feature I want to predict in a RNN?

【发布时间】：2020-11-06 17:27:28

【问题描述】：

我正在尝试使用具有 30 个不同特征的时间序列数据集，并且我想预测其中 3 个特征的未来值。有什么方法可以指定要用于输出的功能以及使用 TensorFlow 和 Sckit-learn 的输出数量？还是在我创建 x_train、y_train 等集时刚刚完成？我想根据各种气象因素（气压、HDD、CDD、污染等）预测热量指数、温度和湿度。我希望预测的 3 个因素是 30 个总特征的一部分。

我正在使用 TensorFlows RNN 教程：https://www.tensorflow.org/tutorials/structured_data/time_series

univariate_past_history = 30
univariate_future_target = 0

x_train_uni, y_train_uni = univariate_data(uni_data, 0, 1930,
                                           univariate_past_history,
                                           univariate_future_target)
x_val_uni, y_val_uni = univariate_data(uni_data, 1930, None,
                                       univariate_past_history,
                                       univariate_future_target)

我的数据是每天提供的，所以我想在这里使用过去 30 天来预测第二天。

这是我对模型训练的实现：

    BATCH_SIZE = 256
    BUFFER_SIZE = 10000
    
    train_univariate = tf.data.Dataset.from_tensor_slices((x_train_uni, y_train_uni))
    train_univariate = 
    
    train_univariate.cache().shuffle(BUFFER_SIZE).batch(BATCH_SIZE).repeat()
    
    val_univariate = tf.data.Dataset.from_tensor_slices((x_val_uni, y_val_uni))
    val_univariate = val_univariate.batch(BATCH_SIZE).repeat()
    
    simple_lstm_model = tf.keras.models.Sequential([
        tf.keras.layers.LSTM(8, input_shape=x_train_uni.shape[-2:]),
        tf.keras.layers.Dense(1)
    ])
    
    simple_lstm_model.compile(optimizer='adam', loss='mae')
    
    for x, y in val_univariate.take(1):
        print(simple_lstm_model.predict(x).shape)
        
    EVALUATION_INTERVAL = 200
    EPOCHS = 30
    
    simple_lstm_model.fit(train_univariate, epochs=EPOCHS,
                          steps_per_epoch=EVALUATION_INTERVAL,
                          validation_data=val_univariate, validation_steps=50)

编辑：我知道要增加输出数量，我必须增加 Dense(1) 值，想了解如何指定要输出/预测的特征

【问题讨论】：

不，我没有 6 月底之后的数据。本质上，鉴于下个月的“预期”条件，我想预测下个月的这三个特征

所以你有过去 n 天的 (n*30) 个特征，你想预测第 (n+1) 天的 3 个特征？

是的，当你说过去 n 天的 (n*30) 个特征时，你的意思是过去 n 天的每一天都有 30 个值，对吧？

【参考方案1】：

您需要以与 LSTM 层兼容的形状为 model.fit 调用提供要从中学习的变量

例如，如果没有任何代码，像您这样的模型可能会将其作为输入：

[batchsize, n_timestamps, n_features]

和输出：

[batchsize, n_timestamps, m_features]

n 是输入，m 是输出。

那么你需要给模型提供与模型输出形状相同的真值数据，以便模型计算损失。

所以 model.fit 调用应该是：

model.fit(x_train, y_train, ....) 其中 y_train 是与模型输出形状相同的真值向量。

您必须设计一个模型架构来满足您的需求并匹配您期望的输出。我做了一个玩具示例，但我从来没有真正使用过这种类型的神经网络，所以不知道它是否对这个问题有意义。

import tensorflow as tf
from tensorflow.keras.layers import LSTM, Dense, InputLayer, Reshape

ni_feats = 10
no_feats = 3
ndays = 30

model = tf.keras.Sequential([
    InputLayer((ndays, ni_feats)),
    LSTM(10),
    Dense(int(no_feats * ndays)),
    Reshape((ndays, no_feats))
    ])