如何重塑时间序列数据以与 Keras LSTM 一起使用，有状态 LSTM 以及参数'时间步长”和'特征”的意义是什么？

了解 Keras LSTM

重塑数据以进行时间序列分析

在 Keras 中，时间序列数据通常被重塑为三维数组，其中维度[样本、时间步长、特征]。此格式对于 LSTM 层是必需的，LSTM 层会随着时间的推移按顺序处理数据。

• 样本：数据集中的序列数
• 时间步长: 每个序列的长度（次数步骤）
• 特征：每个时间步的输入特征数量

例如，如果您有 5 个训练序列，每个训练序列有 10 个时间步和 1 个时间步功能，您的数据将被重塑为 (5, 10, 1)。

有状态LSTM

有状态 LSTM 允许模型在批次之间维护其内部状态。这意味着模型在处理一个批次后会记住隐藏状态，并将它们用作下一个批次的输入。这在处理顺序数据时特别有用，其中当前输出取决于先前的输入。

在您提供的 Keras 代码中，stateful=True 设置为 True，表示 LSTM 是有状态的。 batch_size 设置为 1，这意味着模型将一次处理一个序列。该模型将保留训练运行之间的细胞内存值，使其能够学习数据中的长期依赖性。

时间步长和特征

• 时间步长: 输入数据中的时间步数表示所考虑的序列的长度。图中，粉色框代表序列的长度。
• 特征：每个时间步都有许多输入特征，这些特征是 LSTM 使用的值。在图像中，特征的数量是每个粉红色框中的绿色框的数量。

如果您正在处理多元时间序列，其中每个时间步长都有多个输入特征（例如股票价格） ），特征数量将大于 1。

理解 LSTM 架构

您提供的 Keras LSTM 实现有一个 LSTM 层，有 4 个单元，返回序列为 True。这意味着 LSTM 将为每个输入时间步输出长度为 4 的序列。

然后使用均方误差损失函数和 Adam 优化器编译模型。训练循环迭代 100 个 epoch，批量大小为 1。

需要注意的是，该 LSTM 模型旨在根据之前的时间步预测下一个时间步。但是，可以通过更改输出层和损失函数来修改模型以用于其他任务，例如序列分类或语言建模。

以上是如何重塑时间序列数据以与 Keras LSTM 一起使用，有状态 LSTM 以及参数'时间步长”和'特征”的意义是什么？的详细内容。更多信息请关注PHP中文网其他相关文章！