使用 Keras、Tensorflow 进行多时间序列维度的 RNN 时间序列预测

我正在尝试在某些时间序列集上运行 RNN/LSTM 网络。值得一提的是，时间序列正在分类。我有大约 600 个不同的时间序列，每个序列都有 930 个带有特征的时间步长。我已将数据结构化为 numpy 3D 数组，其结构如下：

X = [666 observations/series, 930 timesteps in each observation, 15 features]
Y = [666 observations/series, 930 timesteps in each observation, 2 features]

对于训练和验证数据，我将数据分成 70/30。所以 Train_X = [466, 930, 15] 和 Train_Y = [200, 930, 2]。

我的网络收到一个错误，表示它期望输入为二维，并且得到一个形状为 (466, 930, 2) 的数组。我的代码如下：

from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import mean_squared_error

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Bidirectional

Train_X = new_ped_data[0:466]
Test_X = new_ped_data[466:]

Train_Y = new_ped_valid_data[0:466]
Test_Y = new_ped_valid_data[466:]

model = Sequential()
model.add(Bidirectional(LSTM(20, return_sequences=True),
                        input_shape=Train_X.shape[1:]))
model.add(Bidirectional(LSTM(10)))
model.add(Dense(5))
model.compile(loss='mae', 
              optimizer='rmsprop')

model.fit(Train_X, Train_Y, epochs = 30, batch_size = 32, 
      validation_data =(Test_X, Test_Y))

我只是想让模型运行起来。一旦完成，我将调整架构和拟合参数。我应该提到，其中一个分类输出可能不是必需的。关于如何设置架构，以便在输入时间序列时我将获得每个时间步长的网络分类值，有什么建议吗？

Error was: ValueError: Error when checking target: expected dense_9 to
have 2 dimensions, but got array with shape (466, 930, 2)

您的输出也具有顺序性质。LSTM默认情况下有一个标志return_sequences=False。这使得您的序列在第二个之后被压缩为向量LSTM层。为了改变这种尝试：

model = Sequential()
model.add(Bidirectional(LSTM(20, return_sequences=True),
                    input_shape=Train_X.shape[1:]))
model.add(Bidirectional(LSTM(10, return_sequences=True)))
model.add(Dense(5))
model.compile(loss='mae', 
          optimizer='rmsprop')