Входные аргументы LSTM Keras

Question

Я пытаюсь понять входные аргументы keras для реализации LSTM.Я просмотрел документ keras и некоторые учебные пособия, чтобы кристаллизовать мои знания.

Учитывая данные временных рядов на рисунке.Предположим, мы хотели бы использовать цену 5 предыдущих дней, чтобы предсказать цену 3 следующих дней.Я определяю аргументы следующим образом

• sample: Каждая последовательность в окне (t-5, t-4, ... , t-1)
• label: (t, t + 1, t+2), но я все еще не понимаю, как организовать ее в массив numpy
• наблюдение: цена каждого дня в образце.Итак, из моего примера, у нас есть 5 наблюдений в одной выборке
• timestep: количество шагов для скользящего окна.
  • Слайд-окно каждый день означает интервал времени = 1.
  • Слайд-окно каждые два дня означает интервал времени = 2.
• особенность: количество временных рядовданные.В моем примере есть только одна особенность (цена)
• Размер партии: 1 представляет стохастический градиентный спуск.N представляет пакетное обучение.1 <= batch_size <= N представляет мини-пакетное обучение. </li>
• look_back: этот я не очень понимаю
• input_shape: (n_samples, n_feature)
• batch_input_shape: (n_batch, n_samples, n_features) но я сбиваю с толку, потому что в нескольких руководствах упоминается, что ввод LSTM - это 3D образцов, временных шагов и функций.

Могу ли я получить ваши предложения, верно ли мое понимание.

Answer 1

«Предположим, мы хотели бы использовать цену 5 предыдущих дней, чтобы предсказать цену 3 следующих дней».Для этой проблемы естественный подход - единовременная сеть с пятью входами и тремя выходами.Но сначала было бы разумно проверить наличие периодичности в данных, например, еженедельно или сезонно.

Рекуррентные нейронные сети, включая LSTM, хороши, когда ваши входные последовательности имеют переменную длину, например предложения.У них есть ограничение: каждая партия должна иметь одинаковую длину.Форма ввода (batch_size, sequence_length, input_dimension).Выходы доступны с формами (batch_size, sequence_length, output_dimension) и (batch_size, output_dimension).