基于LSTM的多变量时间序列预测

Question

我有一个每小时污染量(‘Sample_Measurement)和天气状况的数据集。如果我想用前n小时的天气和污染数据来预测当前小时的污染水平，我没有问题。事实上，假设n= 24，特征数为5。三维矢量将具有如下形状(元素数，24,5)。

在此之前，我没有问题，但我想要做的是使用当前小时的天气条件(以及前一个24小时)，因为在前一个例子中，我只使用了前n个小时的数据。问题是，我不知道该如何做，因为3D矢量作为三维5 (4个天气特征加上1个表示污染程度的特征)，所以我不能简单地添加当前的小时天气特征，因为特征(4 )的数量是不同的(因为对于当前的时间，我们没有当前的污染，也就是我们想要预测的污染)。我希望我已经弄清楚了，但解释起来并不容易。

Answer 1

您可以尝试执行以下操作(前面的伪代码)：

input_past_24 = Input(shape=(24,5))
input_today = Input(shape(1,4))
output_from_LSTM = LSTM(some_args, ...)(input_past_24) # this has some size of your choice, let's say N
# if you want to add other layers, you'd do it here.
prediction = Dense(some_args, ...)(concatenate(input_today,output_from_LSTM))
model = Model(inputs=[input_past_24,input_today], output=prediction)
model.compile(some_args)
model.fit([data_from_past_days,data_today],expected_pollution, some_other_args...)

上面，关键是将LSTM层的输出与当天的输入连接起来，然后将其发送到最终的Dense层进行最终预测。

关于更多的细节，您可能需要检查Keras的函数式API指南。