一文搞明白时序数据输入到LSTM模型的格式（案例解读）

一文搞明白时序数据输入到LSTM模型的格式（案例解读）

引用

CSDN

1.

https://blog.csdn.net/sinat_41858359/article/details/138646611

一、引言

本文将详细介绍时序数据输入到LSTM模型的格式，包括单变量和多变量时序数据的处理方法。通过具体的案例解读，帮助读者理解LSTM模型输入数据的格式要求。

二、实现过程

2.1 单变量时序数据

1、原始data

原始数据是一个144行1列的（144，1）的dataframe：

2、数据集按照8：2划分，并进行归一化处理

train_data_scaler是一个（115，1）的二维数组：

3、创建滑动窗口数据集

将train_data_scaler集转换为 LSTM 模型所需的形状（样本数，时间步长，特征数）：

def create_sliding_windows(data, window_size):
    X, Y = [], []
    for i in range(len(data) - window_size):
        X.append(data[i:i+window_size, 0:data.shape[1]])
        Y.append(data[i+window_size,0])
    return np.array(X), np.array(Y)
X_train, Y_train = create_sliding_windows(train_data_scaler, window_size)  

这里假设窗口window_size设为12，i的范围0-102，103取不到：

• 当i=0时，取出train_data_scaler第【1-12】行第【1】列的12条数据作为X_train[0]，取出train_data_scaler第【13】行第【1】列的1条数据作为Y_train[0]；
• 当i=1时，取出train_data_scaler第【2-13】行第【1】列的12条数据作为X_train[1]，取出train_data_scaler第【14】行第【1】列的1条数据作为Y_train[1]；
• ...
• 当i=102时，取出train_data_scaler第【103-114】行第【1】列的12条数据作为X_train[102]，取出train_data_scaler第【115】行第【1】列的1条数据作为Y_train[102]；

返回的X_train是一个（103，12，1）的三维数组；Y_train是一个（103，1）的二维数组;

X_train = np.reshape(X_train, (X_train.shape[0], window_size, 1)  

经过滑动窗口之后返回的形状已经是LSTM所需的形状了，所以这句话可以省略。

4、构建 LSTM 模型

# 构建 LSTM 模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(window_size, 1)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')  

LSTM的input_shape=(时间步长，特征数)，其实就是一个样本输入的形状。

5、训练 LSTM 模型

# 训练 LSTM 模型
model.fit(X_train, Y_train, epochs=100, batch_size=32)  

• X_train是一个（103，12，1）的三维数组，三个维度分别表示（样本数，时间步长，特征数）
• Y_train是一个（103，1）的二维数组，两个维度分别表示（样本数，标签）
• 类似一个103行（121+1）列的表格，前（121）列是特征，第（12*1+1）列是标签

2.2 多变量时序数据

1、原始的data

是一个（5203，5）的dataframe：

2、数据集按照8：2划分，并进行归一化处理

train_data_scaler是一个（4162，5）的二维数组：

3、创建滑动窗口数据集

将数据集转换为 LSTM 模型所需的形状（样本数，时间步长，特征数）：

def create_sliding_windows(data, window_size):
    X, Y = [], []
    for i in range(len(data) - window_size):
        X.append(data[i:i+window_size, 0:data.shape[1]])
        Y.append(data[i+window_size,0])
    return np.array(X), np.array(Y)
X_train, Y_train = create_sliding_windows(train_data_scaler, window_size)  

这里假设窗口window_size设为30，i的范围0-4131：

• 当i=0时，取出train_data_scaler第【1-30】行第【1-5】列的12条数据作为X_train[0]，取出train_data_scaler第【31】行第【1】列的1条数据作为Y_train[0]；
• 当i=1时，取出train_data_scaler第【2-31】行第【1-5】列的12条数据作为X_train[1]，取出train_data_scaler第【32】行第【1】列的1条数据作为Y_train[1]；
• ...
• 当i=4131时，取出train_data_scaler第【4132-4161】行第【1-5】列的12条数据作为X_train[4131]，取出train_data_scaler第【4162】行第【1】列的1条数据作为Y_train[4131]；

返回的X_train是一个（4132，30，5）的三维数组；Y_train是一个（4132，1）的二维数组;

X_train = np.reshape(X_train, (X_train.shape[0], window_size, 5)  

经过滑动窗口之后返回的形状已经是LSTM所需的形状了，所以这句话可以省略。

4、构建 LSTM 模型

# 构建 LSTM 模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(window_size, 5)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')  

LSTM的input_shape=(时间步长，特征数)，其实就是一个样本输入的形状。

5、训练 LSTM 模型

# 训练 LSTM 模型
model.fit(X_train, Y_train, epochs=100, batch_size=32)  

• X_train是一个（4132，30，5）的三维数组;（样本数，时间步长，特征数）
• Y_train是一个（4132，1）的二维数组;（样本数，标签）
• 类似一个4132行（305+1）列的表格，前（305）列是特征，第（30*5+1）列是标签

三、小结

由于滑动窗口，实际的训练数据数量少一个窗口数量，实际能预测的数据量也少一个窗口数量。