事件数据的 LSTM 时间序列预测

Question

我正在尝试解决一个时间序列问题。数据集有 n 个系统，我们记录每个系统上发生的故障数量大约 t 天。然后，我的目标是预测 t+1 天内任何给定系统上可能发生的故障数量。 玩具数据集看起来像这样。在此，每行表示一个系统连续 11 天的故障数。

x = [[0,1,2,20,24,8,2,2,1,2,1],
[0,100,200,250,300,80,25,20,10,1,1],
[1,25,30,35,10,0,0,1,1,0,1],
[0,10,10,2,24,8,2,2,1,2,1],
[0,4,20,20,24,80,10,20,30,90,150]]

然后，我的训练数据将排除每行的最后一天。

x_train = [[0,1,2,20,24,8,2,2,1,2],
[0,100,200,250,300,80,25,20,10,1],
[1,25,30,35,10,0,0,1,1,0],
[0,10,10,2,24,8,2,2,1,2],
[0,4,20,20,24,80,10,20,30,90]]

我应该如何修改我的数据以使用 LSTM。非常感谢任何示例代码。所有现有代码都对单个实体进行建模，就像我的情况一样 我有 n 个不同的系统。这是我的简单尝试。请提供反馈是否代表我的要求。我的数据如下所示。

|   |T1 |T2 |T3 | |----|----|----|----| |x1 |1 |2 |3 |   |x2 |3 |4 |5 |   |x3 |5 |6 |7 |

x = np.array([[1,2],[3,4],[5,6]])
y = np.array([[2,3],[4,5],[6,7]])
x = np.reshape(x,(3,1,2))
y = np.reshape(y,(3,2))
test_x  = np.array([[6,7]])
test_x = np.reshape(test_x,(1,1,2))
model = Sequential()  
model.add(LSTM(4,batch_input_shape=(1,1,2), return_sequences=False))
model.add(Dense(2,activation='relu'))
model.compile(loss='mean_absolute_error', optimizer='adam')
model.fit(x, y,nb_epoch= 100, batch_size=1)
model.reset_states()
model.predict(test_x)

谢谢

Answer 1

如果您需要模型来预测 t+1，您只需将数据向右移动 1 位即可生成标签。 例如，如果您有数据：[1,2,3,4,5,6,7]，并且seq_len为 3，则输入数据批次[[1,2,3], [4,5,6]]目标数据批次将[[2,3,4],[5,6,7]]代码可能如下所示：

inputs = np.array(int_text[: n_batches * batch_size * seq_length])
outputs = np.array(int_text[1: n_batches * batch_size * seq_length + 1])
x = np.split(inputs.reshape(batch_size, -1), n_batches, 1)
y = np.split(outputs.reshape(batch_size, -1), n_batches, 1)

编辑：

[[1,2,3], [4,5,6]]是输入批处理。batch_size是 2，seq_length是 3。

[[2,3,4],[5,6,7]]是目标批次。batch_size是 2，seq_length是 3。

无论您使用哪种方法，您所需要的只是像上面一样制作数据。