(我正在测试自己写出简短但有效的问题的能力，所以让我知道我在这里是怎么做的)我正在尝试训练/测试TensorFlow循环神经网络，特别是LSTM，使用以下ndarray格式的时间序列数据进行一些试验:[[[time_step_trial_0,feature,feature,...][time_step_trial_0,feature,feature,...]][[time_step_trial_1,feature,feature,...][time_step_trial_1,feature,feature,...]][[time_step_trial_2,feature,feature
这个问题在这里已经有了答案:HowtoaddattentionlayertoaBi-LSTM(2个答案)关闭2年前。使用以下代码:model=Sequential()num_features=data.shape[2]num_samples=data.shape[1]model.add(LSTM(16,batch_input_shape=(None,num_samples,num_features),return_sequences=True,activation='tanh'))model.add(PReLU())model.add(Dropout(0.5))model.add(LS
我使用(Statsmodels)ARIMA来预测一系列的值:plt.plot(ind,final_results.predict(start=0,end=26))plt.plot(ind,forecast.values)plt.show()我以为我会从这两种方法中得到相同的结果，但我却得到了这个:我想知道是使用predict()还是forecast()。 最佳答案 从图表上看，您似乎是在使用forecast()进行样本外预测，而在使用predict进行样本内预测。基于ARIMA方程的性质，对于较长的预测周期，样本外预测往往会收敛到样
我有一个包含全年数据的时间序列数据集(日期是索引)。每15分钟(全年)测量一次数据，这导致每天有96个时间步长。数据已经标准化。变量是相关的。除VAR外的所有变量都是天气指标。VAR在一天和一周内是季节性的(因为它在周末看起来有点不同，但每个周末都差不多)。VAR值是固定的。我想预测接下来两天(提前192步)和接下来7天(提前672步)的VAR值。这是数据集的样本:DateIdxVARdewpthumpresstemp2017-04-1700:00:000.3693970.1550390.3867920.1967210.2388892017-04-1700:15:000.3632140
我正在尝试使用keras训练LSTM模型，但我想我在这里出错了。我得到了一个错误ValueError:Errorwhencheckinginput:expectedlstm_17_inputtohave3dimensions,butgotarraywithshape(10000,0,20)虽然我的代码看起来像model=Sequential()model.add(LSTM(256,activation="relu",dropout=0.25,recurrent_dropout=0.25,input_shape=(None,20,64)))model.add(Dense(1,activa
p_input的形状thisLSTMAutoencoder对于"test.py"是(128,8,1)；意思是128组8位数字。我正在尝试使用4组25,000个时间步长(基本上是0秒到25,000秒)使该模型适应基于时间序列的数据。我尝试将此数据集输入到形状为(4,25000,1)的p_input中，但没有出现任何错误。但是，当我运行脚本时，没有得到iter1:0.01727,iter2:0.00983,...我没有从脚本中得到任何打印的反馈，所以我假设有什么东西阻碍了脚本。我还尝试将batch_num更改为4并将step_num更改为25,000直接添加到未经编辑的“test.py”文
我试图在包含外生变量的pythonstatsmodelsARIMA包中预测时间序列，但无法找出在预测步骤中插入外生变量的正确方法。参见here对于文档。importnumpyasnpfromscipyimportstatsimportpandasaspdimportstatsmodels.apiassmvals=np.random.rand(13)ts=pd.TimeSeries(vals)df=pd.DataFrame(ts,columns=["test"])df.index=pd.Index(pd.date_range("2011/01/01",periods=len(vals),
我想知道如何在Keras中使用批量归一化(BN)实现biLSTM。我知道BN层应该介于线性和非线性之间，即激活。这很容易用CNN或Dense层实现。但是，如何使用biLSTM做到这一点？提前致谢。 最佳答案 如果你想对LSTM的线性输出应用BatchNormalization，你可以这样做fromkeras.modelsimportSequentialfromkeras.layers.recurrentimportLSTMfromkeras.layers.wrappersimportBidirectionalfromkeras.la
我有一个来自多个用户(nUsers)的数据集。每个用户在时间上随机采样(每个用户的nSamples是非常数)。每个样本都有许多特征(nFeatures)。例如:nUsers=3--->3个用户nSamples=[32,52,21]--->第一个用户被采样了32次，第二个用户被采样了52次等等。nFeatures=10--->每个样本的特征数量不变。我希望LSTM根据当前特征和同一用户的先前预测生成当前预测。我可以使用LSTM层在Keras中做到这一点吗？我有两个问题:每个用户的数据都有一个不同的时间序列。我该如何整合它？如何处理将先前的预测添加到当前时间特征空间以进行当前预测？感谢您的
我正在尝试解决时间序列预测问题。我尝试了ANN和LSTM，尝试了很多不同的参数，但我所能得到的只是比持久性预测好8%。所以我想知道:既然你可以在keras中保存模型；是否有任何用于时间序列预测的预训练模型(LSTM、RNN或任何其他ANN)？如果是这样，我如何获得它们？Keras里有吗？我的意思是，如果有一个包含预训练模型的网站，那将非常有用，这样人们就不必花太多时间来训练它们。同理，另一个问题:是否可以执行以下操作？1.假设我现在有一个数据集，我用它来训练我的模型。假设一个月后，我将可以访问另一个数据集(对应于相同数据或类似数据，将来可能，但不限于此)。到时候还能继续训练模型吗？这与
