强制LSTM Keras使用时间序列依赖项

Question

我有两个时间序列A和B：

A: 1,2,3,1,2,3,3,3,1,2,3,3,3  
B: 0,0,1,0,0,1,1,1,0,0,1,1,1

这个简单的训练集表示信号B与A相关，事实上每次A等于3，在同一时间标记，在B中，值是1。

为了解释我的问题，我介绍了上面的例子。当我使用带有Keras的LSTM来预测数据时，我希望模型从序列中了解这种依赖关系。

现在我使用这个配置：

model.add(keras.layers.LSTM(hidden_nodes, activation='sigmoid', input_dim=num_features, input_length=window, consume_less="mem"))
model.add(keras.layers.Dense(num_features, activation='sigmoid'))

optimizer = keras.optimizers.SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)

但我看到，LSTM的预测值显然没有使用时间序列之间的依赖关系。如果我用一个窗口5进行预测，为了预测下一个点：

A: [1,2,3,1,2]
B: [0,0,1,0,0]

我希望LSTM给出A的值3，B的值1，因为下面的训练设置是这样的。

问题是，我的网络似乎使用信号，而不给信号依赖赋予正确的权重。

Answer 1

您应该只有一个系列，有两个功能。

如果A和B是列表(不是numpy数组)：

fullSeq = np.array(A + B)
#this shape is (lenA + lenB,)

fullSeq = fullSeq.reshape((2,len(A)))
fullSeq = fullSeq.swapaxes(0,1).reshape((1,len(A),2))

#make sure that the resulting array is something like [[[1,0],[2,0],[3,1],...]]

现在，您有了num_features=2的一个序列。A和B现在完全依赖。