การคาดการณ์ชุดเวลาหลายมิติและหลายตัวแปร (RNN / LSTM) Keras

ฉันได้รับการพยายามที่จะเข้าใจวิธีการที่จะเป็นตัวแทนของข้อมูลและรูปร่างที่จะทำให้Multidimentionalและหลายตัวแปรเวลาคาดการณ์โดยใช้ Keras (หรือ TensorFlow) ชุด แต่ผมยังไม่ชัดเจนมากหลังจากอ่านบล็อกโพสต์หลาย tutorials / / เอกสารเกี่ยวกับวิธีการที่จะนำเสนอข้อมูลใน รูปร่างที่ถูกต้อง (ตัวอย่างส่วนใหญ่มีค่าน้อยกว่าเล็กน้อย

ชุดข้อมูลของฉัน:

• หลายเมือง
• ที่ฉันมีข้อมูลเกี่ยวกับพูดอุณหภูมิการจราจรรถยนต์ความชื้น
• สำหรับพูด 2 ปีที่ผ่านมา (บันทึกหนึ่งรายการในแต่ละวัน)

สิ่งที่ฉันต้องการจะทำ: ฉันต้องการที่จะคาดการณ์สำหรับแต่ละเมืองอุณหภูมิที่ฉันคาดหวังสำหรับปีถัดไปโดยใช้รุ่นที่อาจล่าช้า, การจราจรรถยนต์และความชื้น (แน่นอนว่าจะมีคุณสมบัติอื่น ๆ อีกมากมาย แต่นี่เป็นเพียง ตัวอย่างความคิด)

สิ่งที่ฉันสับสนเกี่ยวกับ: หากฉันมี 2 เมืองซึ่งฉันบันทึกคุณสมบัติ 3 แห่งไว้สำหรับ 365 วัน ฉันจะกำหนดรูปแบบการป้อนข้อมูลของฉันอย่างไรเพื่อให้แบบจำลองสามารถส่งออกการพยากรณ์เป็นเวลา 365 วันสำหรับเมืองทั้งสองนี้ (เช่นชุดข้อมูลอุณหภูมิ 2 ชุดเป็นเวลา 365 วัน)

รูปทรงเทนเซอร์นั้นเป็นไปอย่างง่ายดาย(?, 365, 3)สำหรับ 365 วันและ 3 คุณสมบัติ แต่ฉันไม่แน่ใจว่าจะติดอยู่ในมิติแรกและที่สำคัญที่สุดฉันจะประหลาดใจถ้ามันต้องเป็นจำนวนของเมือง แต่ในเวลาเดียวกันฉันก็ไม่รู้ว่าจะระบุรุ่นที่ต้องเข้าใจขนาดอย่างถูกต้องอย่างไร

ตัวชี้ใด ๆ จะเป็นประโยชน์ ฉันค่อนข้างคุ้นเคยกับปัญหาที่เหลืออยู่ (เช่นวิธีที่คุณสร้างเครือข่ายใน Keras ฯลฯ เนื่องจากฉันได้ทำสิ่งนี้กับเครือข่ายนิวรัลอื่น ๆ แต่โดยเฉพาะอย่างยิ่งวิธีที่ดีที่สุดในการเข้ารหัสลำดับสำหรับอินพุตที่ต้องการ)

โอ้และฉันก็เดาได้ว่าฉันสามารถฝึกอบรมและทำนายสำหรับแต่ละเมืองได้อย่างอิสระ แต่ฉันแน่ใจว่าทุกคนจะเห็นด้วยว่ามีหลายสิ่งหลายอย่างที่จะต้องเรียนรู้ซึ่งไม่เฉพาะกับเมืองใด ๆ ดังนั้นทำไมฉันคิดว่ามันเป็นสิ่งสำคัญที่จะเข้ารหัสในรูปแบบ

รูปร่างการป้อนข้อมูลสำหรับ LSTM (num_samples, num_time_steps, num_features)ต้อง ในกรณีตัวอย่างของคุณการรวมเมืองทั้งสองเป็นอินพุทnum_featuresจะเป็น 2x3 = 6

หากคุณยกขั้นตอนเวลา 365 ทั้งหมดของคุณเป็นตัวอย่างเดียวมิติแรกจะเป็น 1 - ตัวอย่างเดียว! นอกจากนี้คุณยังสามารถตรวจสอบสติได้โดยใช้จำนวนจุดข้อมูลทั้งหมด คุณมี 2 เมืองโดยแต่ละเมืองมี 365 ขั้นตอนและ 3 คุณลักษณะ: 2x365x3 = 2190 เห็นได้ชัดว่าเป็นเช่นเดียวกับ 1x365x6 (ดังที่ฉันได้กล่าวไว้ข้างต้น) - ดังนั้นจึงเป็นไปได้ (Keras จะทำงาน) - แต่แน่นอนว่ามันจะไม่เรียนรู้ที่จะพูดคุยทั่วไปเลยเพียงแค่ให้ตัวอย่าง

ดูคำถามที่เกี่ยวข้องซึ่งฉันเพิ่งตอบไป มีฉันพูดเล็ก ๆ น้อย ๆ เกี่ยวกับการใช้หน้าต่างกลิ้ง (ตรวจสอบความเห็นของคำตอบสำหรับข้อมูลเพิ่มเติม) ที่จะซื้อตัวอย่างมากขึ้นถ้าคุณต้องการพวกเขา

หากคุณต้องการฝึกแบบจำลองเดียวด้วยข้อมูลสำหรับทั้งสองเมืองเป็นอินพุทดังนั้นการคาดคะเนสำหรับทั้งสองเมืองในแต่ละขั้นตอนนั้นง่ายเหมือนการกำหนดDenseเลเยอร์สุดท้ายซึ่งมี 2 หน่วย ข้อมูลการตรวจสอบ / การทดสอบของคุณจะต้องมี tuple จาก (city1, city2)

วิธีที่อาจจะมีความซับซ้อนมากขึ้นในวิธีการนี้จะสร้างชุดข้อมูลบนพื้นฐานเดียวเมืองแล้วการฝึกอบรมหลายรุ่นย่อยในแต่ละเมืองเป็นรายบุคคล (พูดได้ 5 ชั้น) แล้วMerge/ Concatenateพวกเขาและใส่ชั้นอีกหลายด้านบน นี่จะหมายความว่าคุณกำลังรวมคุณสมบัติที่ได้รับการเรียนรู้ของแต่ละเมืองซึ่งจะรวมเข้ากับสิ่งที่เป็นนามธรรมในระดับที่สูงขึ้น นี่คือภาพแรกที่ฉันได้รับจากเสิร์ชเอ็นจิ้น