Предположим, у меня есть 100 городов, в каждом из которых есть две серии данных длиной 70. Я хотел бы передать подпоследовательности длины 7 (по существу, заглядывая в прошлое на одну неделю). В итоге я получил массив Numpy формы:
(100, 62, 2, 7)
, который имеет для меня смысл, поскольку у меня 100 городов, 62 примера подпоследовательностей, каждый из которых содержит 2 numpy массива длины 7. Однако LSTM принимает трехмерные данные, а это 4D, и я не уверен, как правильно отформатировать мои данные для прогнозирования времени. Я пытался следовать примерам в
https://machinelearningmastery.com/reshape-input-data-long-short-term-memory-networks-keras/
https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/
, но они либо использовали только одну серию с оглядкой назад, либо две серии, каждая из которых имела одну особенность. Я предсказываю, что вы, ребята, скажете сгладить мое последнее измерение, чтобы получить массив формы, то есть
(100, 62, 14)
Но я боюсь, что модель не сможет определить порядок образцов. Как лучше всего подойти к этой проблеме?