如何重塑時間序列資料以與 Keras LSTM 一起使用，有狀態 LSTM 以及參數「時間步長」和「特徵」的意義是什麼？

了解Keras LSTM

重塑資料以進行時間序列分析

在Keras 中，時間序列資料通常被重塑為三維數組，其中維度[樣本、時間步長、特徵]。此格式對於 LSTM 層是必要的，LSTM 層會隨著時間的推移而依序處理資料。

• 樣本：資料集中的序列數
• 時間步長:每個序列的長度（次數步驟）
• 特徵：每個時間步的輸入特徵數量

例如，如果您有5 個訓練序列，每個訓練序列有10 個時間步和1 個時間步功能，您的資料將被重塑為(5, 10, 1)。

有狀態LSTM

有狀態 LSTM 允許模型在批次之間維護其內部狀態。這意味著模型在處理一個批次後會記住隱藏狀態，並將它們用作下一個批次的輸入。這在處理順序資料時特別有用，其中當前輸出取決於先前的輸入。

在您提供的 Keras 程式碼中，stateful=True 設定為 True，表示 LSTM 是有狀態的。 batch_size 設定為 1，這表示模型將一次處理一個序列。該模型將保留訓練運行之間的細胞記憶體值，使其能夠學習資料中的長期依賴性。

時間步長和特徵

• 時間步長: 輸入資料中的時間步數表示所考慮的序列的長度。圖中，粉紅色框代表序列的長度。
• 特徵：每個時間步都有許多輸入特徵，這些特徵是 LSTM 使用的值。在影像中，特徵的數量是每個粉紅色框中的綠色框的數量。

如果您正在處理多元時間序列，其中每個時間步長都有多個輸入特徵（例如股票價格） ），特徵數量將大於 1。

理解 LSTM 架構

您提供的 Keras LSTM 實作有一個 LSTM 層，有 4 個單元，回傳序列為 True。這意味著 LSTM 將為每個輸入時間步輸出長度為 4 的序列。

然後使用均方誤差損失函數和 Adam 最佳化器編譯模型。訓練循環迭代 100 個 epoch，批量大小為 1。

需要注意的是，此 LSTM 模型旨在根據先前的時間步預測下一個時間步。但是，可以透過更改輸出層和損失函數來修改模型以用於其他任務，例如序列分類或語言建模。

以上是如何重塑時間序列資料以與 Keras LSTM 一起使用，有狀態 LSTM 以及參數「時間步長」和「特徵」的意義是什麼？的詳細內容。更多資訊請關注PHP中文網其他相關文章！