我正在尝试构建一个LSTM Autoencoder来预测时间序列数据 . 由于我是Python的新手,我在解码部分有错误 . 我试着像here和Keras那样构建它 . 我根本无法理解给定例子之间的区别 . 我现在的代码如下:
问题1:当每个样本有2000个值时,如何选择batch_size和input_dimension?
问题2:如何使LSTM Autoencoder工作(模型和预测)?这不仅仅是模型,而是如何预测?它是从样本10开始直到数据结束的预测吗?
Mydata总共有1500个样本,我会选择10个时间步长(如果更好的话会更多),每个样本都有2000个值 . 如果您需要更多信息,我会在以后将它们包括在内 .
trainX = np.reshape(data, (1500, 10,2000))
from keras.layers import *
from keras.models import Model
from keras.layers import Input, LSTM, RepeatVector
参数
timesteps=10
input_dim=2000
units=100 #choosen unit number randomly
batch_size=2000
epochs=20
模型
inpE = Input((timesteps,input_dim))
outE = LSTM(units = units, return_sequences=False)(inpE)
encoder = Model(inpE,outE)
inpD = RepeatVector(timesteps)(outE)
outD1 = LSTM(input_dim, return_sequences=True)(outD
decoder = Model(inpD,outD)
autoencoder = Model(inpE, outD)
autoencoder.compile(loss='mean_squared_error',
optimizer='rmsprop',
metrics=['accuracy'])
autoencoder.fit(trainX, trainX,
batch_size=batch_size,
epochs=epochs)
encoderPredictions = encoder.predict(trainX)
1 回答
我使用的LSTM模型是这样的:
它适用于x大小为
(3000, 180, 40)
的数据,即3000个样本,timesteps=180
和input_dim=40
.