LSTM与Keras进行小批量培训和在线测试

我想在Keras中实现LSTM用于流时间序列预测 - 即，在线运行，一次获得一个数据点 . This is explained well here，但正如人们所假设的那样，在线LSTM的培训时间可能非常慢 . 我想在迷你批次上训练我的网络，并在线测试（运行预测） . 在Keras这样做的最佳方法是什么？

例如，小批量可以是在连续时间步骤发生的1000个数据值（ [33, 34, 42, 33, 32, 33, 36, ... 24, 23] ）的序列 . 为了训练网络，我已经指定了一个形状为 (900, 100, 1) 的数组 X ，其中有900个长度为100的序列，以及一个形状为 y 的形状 (900, 1) . 例如 . ，

X[0] = [[33], [34], [42], [33], ...]]
X[1] = [[34], [42], [33], [32], ...]]
...
X[999] = [..., [24]]

y[999] = [23]

因此，对于每个序列 X[i] ，都有一个相应的 y[i] ，表示时间序列中的下一个值 - 我们想要预测的内容 .

在测试中，我想预测下一个数据值1000到1999.我通过为1000到1999的每一步提供一个形状 (1, 100, 1) 数组来做到这一点，模型试图在下一步预测值 .

这是我的问题的推荐方法和设置吗？启用有状态可能是纯粹在线实现的方式，但在Keras中，这需要在培训和测试中保持一致 batch_input_shape ，这对于我在小批量培训和在线测试的意图不利 . 或者我有办法做到这一点吗？

UPDATE: Trying to implement the network as @nemo recommended

我在博客文章"Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras"上的示例网络上运行我自己的数据集，然后尝试将预测阶段实现为有状态网络 .

模型构建和培训对于两者都是相同的：

# Create and fit the LSTM network
numberOfEpochs = 10
look_back = 30
model = Sequential()
model.add(LSTM(4, input_dim=1, input_length=look_back))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, nb_epoch=numberOfEpochs, batch_size=1, verbose=2)
# trainX.shape = (6883, 30, 1)
# trainY.shape = (6883,)
# testX.shape = (3375, 30, 1)
# testY.shape = (3375,)

批量预测完成：

trainPredict = model.predict(trainX, batch_size=batch_size)
testPredict = model.predict(testX, batch_size=batch_size)

为了尝试有状态的预测阶段，我运行了与以前相同的模型设置和培训，但接下来是：

w = model.get_weights()
batch_size = 1
model = Sequential()
model.add(LSTM(4, batch_input_shape=(batch_size, look_back, 1), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
trainPredictions, testPredictions = [], []
for trainSample in trainX:
    trainPredictions.append(model.predict(trainSample.reshape((1,look_back,1)), batch_size=batch_size))
trainPredict = numpy.concatenate(trainPredictions).ravel()
for testSample in testX:
    testPredictions.append(model.predict(testSample.reshape((1,look_back,1)), batch_size=batch_size))
testPredict = numpy.concatenate(testPredictions).ravel()

为了检查结果，下面的图显示了蓝色的实际（标准化）数据，绿色训练集的预测以及红色测试集的预测 .

第一个数字来自使用批量预测，第二个数字来自有状态 . 我有什么不正确的想法吗？