使用帶Keras的LSTM神經網絡預測天氣數據

我已經花了幾個月閱讀無盡的帖子，我仍然感到困惑，因爲我最初是。希望有人能幫助。使用帶Keras的LSTM神經網絡預測天氣數據

問題：我想用時間序列來預測特定位置的天氣數據。

設置：

X1和X2是含有指數的每日記錄10年（在每個矢量3650的合計值）這兩種載體。

Y是紐瓦克機場（T）的溫度時間序列，每天爲10年（3650天）。

有一個強烈的情況下，X1和X2可以用作Y的預測。所以，我打破一切到100天窗口和創建以下文件：

X1 = (3650,100,1) 
X2 = (3650,100,1)

，使得窗口1包括從價值觀到t=0t=99，窗口2包括從t=1到t=100等值（假設我有足夠的額外的數據，我們仍然有3650窗口）。

我已經從其他教程學到的是，進入Keras我應該這樣做：

X = (3650,100,2) = (#_of_windows,window_length,#_of_predictors)我獲得通過合併X1和X2。

然後，我有這樣的代碼：

model = Sequential() 
model.add(LSTM(1,return_sequences=True,input_shape=(100,2))) 

model.add(LSTM(4)) 
model.add(Dropout(0.2)) 

model.compile(loss='mean_square_error',optimizer='rmsprop',shuffle=True) 
model.fit(X,Y,batch_size=128,epochs=2) # Y is shape (3650,) 

predictions = model.predict(?????????????)

所以我的問題是，我該如何建立model.predict面積找回的N天數預測的未來？有時我可能需要2天，有時我可能需要2周。我只需要返回N的值（形狀：[N,]），我不需要返回窗口或類似的東西。

非常感謝！

來源

2017-08-23 tg976

因此，對於第一個輸入，您的Y值是't = 100'... – DJK

您可以預測的唯一格式是您在其中訓練模型的格式。如果我理解正確，則按如下方式訓練模型：

您使用了大小爲100的窗口（即時間爲T-99,T-98,...,T的功能）來預測目標在時間T處的值。

如果確實如此，那麼您可以對模型執行的唯一操作是相同類型的預測。也就是說，您可以提供100天的功能值，並要求模型預測100中最後一天的目標價值。

如果您希望它能夠預測N天，你必須相應地訓練你的模型。也就是說，Y中的每個元素應由N天的序列組成。 Here是一篇博客文章，介紹如何做到這一點。

來源

2017-08-23 18:45:47

您認爲如何在N天的開放模式下運行它？ – user3684792

@ user3684792你也可以這樣做，但是你需要提供相應的功能。也就是說，第一天你需要在時間T-99，T-98，... T（這裏我用T表示第一天）提供功能。第二天，您需要在時間T-98，T-97，...，T + 1提供功能。對於其他日子中的每一天，直到N也是如此。輸入的格式應該與您用於培訓的格式相同。 –

你對這個VS再訓練的準確性有直覺嗎？我想我會認爲它會更糟 – user3684792

使用帶Keras的LSTM神經網絡預測天氣數據

回答

相關問題