i有3个时间序列，A，B和C，由30个时间步骤定义。我想构建一个LSTM，该LSTM作为输入，从时间步骤1到30的A，B的值从时间步骤1到时间步骤10，请预测其余20个时间步的C值。换句话说，我必须构建一个LSTM，该LSTM处理不同大小的序列输入（30和10）。我的想法是（例如使用0s）输入时间序列C，以便我可以拥有3个相同大小的序列并使用标准LSTM。
A1, A2, A3, ... A28, A29, A30 -->
B1, B2, B3, ... B28, B29, B30 --> LSTM --> C11, C12, ..., C30
C1, C2, C3, ... 0, 0, 0 -->
从技术上讲，这将起作用，但是，从概念的角度来看，这是正确的吗？LSTM是否足够聪明，可以忘记填充？
可能有各种架构可以解决此问题，但是由于您听起来像您有固定的30+30+10 = 70输入大小，因此建议使用一个标准的feedforward网络，该网络采用70输入功能，具有一个或多个密集连接的隐藏层，并输出与要预测的C缺失值相对应的20值。
在Keras中，这可能看起来像：
model = Sequential()
model.add(Dense(500, input_dim=70))
model.add(Activation('relu'))
model.add(Dense(300))
model.add(Activation('relu'))
model.add(Dense(20))
model.add(Activation('linear'))
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
如果您在训练期间有梯度问题，请尝试在ReLU之后添加BatchNormalization层，如果您要过度拟合尝试减少隐藏层的数量和/或在ReLU和BatchNorm之后添加Dropout。
特别是对于这个相对较小的，更重要的是固定输入大小，无需使用诸如LSTM之类的序列模型。它们更难使用，并且通常只有在您的输入不具固定尺寸时才值得。
如果您发现自己确实需要建模本地时间功能的体系结构，则可以尝试使用30x3输入形状的CC_13使用1D卷积来建模本地时间依赖性。在这种情况下，您可以按照您的建议为零pad C。
编辑：@tituspullo在聊天中提到，他尝试了此 CNN的示例，以用于多个输出时间表预测。