如何构造具有外部特征的时间序列多步视界的LSTM输入数据？

Question

我试着用LSTM做商店销售预测。以下是我的原始数据的样子：

|     Date   | StoreID | Sales | Temperature |  Open   | StoreType |
|------------|---------|-------|-------------|---------|-----------|
| 01/01/2016 |   1     |   0   |      36     |    0    |     1     |
| 01/02/2016 |   1     | 10100 |      42     |    1    |     1     |
| ...
| 12/31/2016 |   1     | 14300 |      39     |    1    |     1     |
| 01/01/2016 |   2     | 25000 |      46     |    1    |     3     |
| 01/02/2016 |   2     | 23700 |      43     |    1    |     3     |
| ...
| 12/31/2016 |   2     | 20600 |      37     |    1    |     3     |
| ...
| 12/31/2016 |   10    | 19800 |      52     |    1    |     2     |

我需要预测未来10天的销售额。在这个例子中，我需要预测从01-01-2017到01-10-2017的商店销售额。我知道如何使用其他时间序列模型或回归模型来解决这个问题，但我想知道RNN是否是一个很好的选择。

首先，我只使用 storeID=1 data来测试LSTM。如果我的数据只有日期和销售。我将以这种方式构造我的trainX和trainY (如果我错了，请纠正我)：

Window = 20
Horizon = 10

|         trainX                  |          trainY              |
| [Yt-10, Yt-11, Yt-12,...,Yt-29] | [Yt, Yt-1, Yt-2,...,Yt-9]    |
| [Yt-11, Yt-12, Yt-13,...,Yt-30] | [Yt-2, Yt-3, Yt-4,...,Yt-10] |
| [Yt-12, Yt-13, Yt-14,...,Yt-31] | [Yt-3, Yt-4, Yt-5,...,Yt-11] |
...

在重新塑造两人之后

trainX.shape
(300, 1, 20)
trainY.shape
(300, 10)

Question1:在本例中是，示例、时间步骤、特性= 300、1、20，对吗？或者我应该将样本构造为300，20，1？

Question2:我确实想使用原始数据中的其他信息，如温度、StoreType等。我应该如何构造LSTM的输入数据？

Question3:到目前为止，我们只讨论了一个商店预测，如果我想对所有商店进行预测，那么应该如何构造我的输入数据呢？

目前，我正在从这里中获取示例，但似乎还不足以涵盖我所拥有的场景。我真的很感激你的帮助！

Answer 1

我最近在解决类似的问题。就你而言：

1. 输入应该具有形状(300, 20, 1) --因为您有长度为20的时间序列和1功能。
2. 你可以这样做： sequential_input = Input(shape=(20，1)) feature_input = Input(shape=(feature_nb，)) lstm_layer = LSTM(lstm_units_1st_layer，return_sequences=True)(sequential_input) lstm_layer = LSTM(lstm_units_2nd_layer，return_sequences=True)(lstm_layer)lstm_layer = LSTM(lstm_units_nth_layer，return_sequences=False)(lstm_layer)合并=合并(lstm_layer，feature_input，mode='concat')共混=致密(blending_units_1st_layer，激活=‘relu’)(合并)共混=稠密(blending_units_2nd_layer，激活=‘relu’)(共混)输出=稠密(10)(混合)
3. 这是最难的部分。I不建议您通过将它们作为一个特征向量输入网络来预测多个商店。您可以简单地跳过这个部分，尝试使用一个模型或后处理输出来预测不同的商店，例如使用某种图形模型或矩阵上的PCA，其中行是日销售额。

更新：

为了处理多个顺序特性，您可以执行以下操作：

    sequential_input = Input(shape=(20, nb_of_sequental_features))
    feature_input = Input(shape=(feature_nb,))
    lstm_layer = LSTM(lstm_units_1st_layer, return_sequences=True)(sequential_input)
    lstm_layer = LSTM(lstm_units_2nd_layer, return_sequences=True)(lstm_layer)
    ...
    lstm_layer = LSTM(lstm_units_nth_layer, return_sequences=False)(lstm_layer)
    merged = merge([lstm_layer, feature_input], mode='concat')
    blend = Dense(blending_units_1st_layer, activation='relu')(merged)
    blend = Dense(blending_units_2nd_layer, activation='relu')(blend)
    ...
    output = Dense(10)(blend)
    model = Model(input=[sequential_input, feature_input], output=output])

在这种情况下，您的输入应该由两个表组成：[sequential_data, features]，sequential_data.shape = (nb_of_examples, timesteps, sequential_features)和features.shape = (nb_of_examples, feature_nb)。因此，sales或temperature应该存储在sequential_features中，store_type存储在features中。