Как работать с несколькими входами для LSTM в Keras?

Я пытаюсь предсказать использование воды населением.

У меня есть 1 основной вход:

  • Объем воды

и 2 вторичных входа:

  • температура
  • количество осадков

Теоретически они имеют отношение к водоснабжению.

Надо сказать, что данные о дожде и температуре соответствуют объему воды. Так что это проблема временных рядов.

Проблема в том, что я не знаю, как использовать 3 входа только из одного CSV-файла с 3 столбцами, каждый для каждого входа, так как приведен код ниже. Когда у меня есть только один вход (например, объем воды), сеть работает более или менее хорошо с этим кодом, но не тогда, когда у меня больше одного. (Итак, если вы запустите этот код с помощью файла csv ниже, он покажет ошибку измерения).

Чтение некоторых ответов от:

Прогнозирование временных рядов с LSTM Рекуррентные нейронные сети на Python с прогнозом времени серии Keras с использованием Python: ежегодное использование воды в Балтиморе

Похоже, что у многих людей такая же проблема.

Код:

EDIT: Код обновлен

import numpy import matplotlib.pyplot as plt import pandas import math from keras.models import Sequential from keras.layers import Dense, LSTM, Dropout from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import mean_squared_error # convert an array of values into a dataset matrix def create_dataset(dataset, look_back=1): dataX, dataY = [], [] for i in range(len(dataset) - look_back - 1): a = dataset[i:(i + look_back), 0] dataX.append(a) dataY.append(dataset[i + look_back, 2]) return numpy.array(dataX), numpy.array(dataY) # fix random seed for reproducibility numpy.random.seed(7) # load the dataset dataframe = pandas.read_csv('datos.csv', engine='python') dataset = dataframe.values # normalize the dataset scaler = MinMaxScaler(feature_range=(0, 1)) dataset = scaler.fit_transform(dataset) # split into train and test sets train_size = int(len(dataset) * 0.67) test_size = len(dataset) - train_size train, test = dataset[0:train_size, :], dataset[train_size:len(dataset), :] # reshape into X=t and Y=t+1 look_back = 3 trainX, trainY = create_dataset(train, look_back) testX, testY = create_dataset(test, look_back) # reshape input to be [samples, time steps, features] trainX = numpy.reshape(trainX, (trainX.shape[0], look_back, 3)) testX = numpy.reshape(testX, (testX.shape[0],look_back, 3)) # create and fit the LSTM network model = Sequential() model.add(LSTM(4, input_dim=look_back)) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer='adam') history= model.fit(trainX, trainY,validation_split=0.33, nb_epoch=200, batch_size=32) # Plot training plt.plot(history.history['loss']) plt.plot(history.history['val_loss']) plt.title('model loss') plt.ylabel('pérdida') plt.xlabel('época') plt.legend(['entrenamiento', 'validación'], loc='upper right') plt.show() # make predictions trainPredict = model.predict(trainX) testPredict = model.predict(testX) # Get something which has as many features as dataset trainPredict_extended = numpy.zeros((len(trainPredict),3)) # Put the predictions there trainPredict_extended[:,2] = trainPredict[:,0] # Inverse transform it and select the 3rd column. trainPredict = scaler.inverse_transform(trainPredict_extended) [:,2] print(trainPredict) # Get something which has as many features as dataset testPredict_extended = numpy.zeros((len(testPredict),3)) # Put the predictions there testPredict_extended[:,2] = testPredict[:,0] # Inverse transform it and select the 3rd column. testPredict = scaler.inverse_transform(testPredict_extended)[:,2] trainY_extended = numpy.zeros((len(trainY),3)) trainY_extended[:,2]=trainY trainY=scaler.inverse_transform(trainY_extended)[:,2] testY_extended = numpy.zeros((len(testY),3)) testY_extended[:,2]=testY testY=scaler.inverse_transform(testY_extended)[:,2] # calculate root mean squared error trainScore = math.sqrt(mean_squared_error(trainY, trainPredict)) print('Train Score: %.2f RMSE' % (trainScore)) testScore = math.sqrt(mean_squared_error(testY, testPredict)) print('Test Score: %.2f RMSE' % (testScore)) # shift train predictions for plotting trainPredictPlot = numpy.empty_like(dataset) trainPredictPlot[:, :] = numpy.nan trainPredictPlot[look_back:len(trainPredict)+look_back, 2] = trainPredict # shift test predictions for plotting testPredictPlot = numpy.empty_like(dataset) testPredictPlot[:, :] = numpy.nan testPredictPlot[len(trainPredict)+(look_back*2)+1:len(dataset)-1, 2] = testPredict #plot serie,=plt.plot(scaler.inverse_transform(dataset)[:,2]) prediccion_entrenamiento,=plt.plot(trainPredictPlot[:,2],linestyle='--') prediccion_test,=plt.plot(testPredictPlot[:,2],linestyle='--') plt.title('Consumo de agua') plt.ylabel('cosumo (m3)') plt.xlabel('dia') plt.legend([serie,prediccion_entrenamiento,prediccion_test],['serie','entrenamiento','test'], loc='upper right') 

Это файл csv, который я создал, если это помогает.

datos.csv

После изменения кода я исправил все ошибки, но я не уверен в результатах. Это увеличение графика прогноза: Увеличить масштаб

который показывает, что существует «смещение» в предсказанных значениях и в реальных. Когда в реальном времени есть максимум, в прогнозе есть мин, но похоже, что он соответствует предыдущему шагу времени.

One Solution collect form web for “Как работать с несколькими входами для LSTM в Keras?”

+ Изменить

 a = dataset[i:(i + look_back), 0] 

к

 a = dataset[i:(i + look_back), :] 

Если вам нужны 3 функции в ваших данных обучения.

Затем используйте

 model.add(LSTM(4, input_shape=(look_back,3))) 

Чтобы указать, что в вашей последовательности есть шаги look_back , каждый из которых имеет 3 функции.

Он должен работать

РЕДАКТИРОВАТЬ :

Действительно, sklearn.preprocessing.MinMaxScaler() : inverse_transform() принимает вход, который имеет ту же форму, что и объект, который вы установили. Поэтому вам нужно сделать что-то вроде этого:

 # Get something which has as many features as dataset trainPredict_extended = np.zeros((len(trainPredict),3)) # Put the predictions there trainPredict_extended[:,2] = trainPredict # Inverse transform it and select the 3rd column. trainPredict = scaler.inverse_transform(trainPredict_extended)[:,2] 

Я думаю, у вас будут другие проблемы, подобные приведенным ниже в вашем коде, но ничего, что вы не можете исправить 🙂 Часть ML исправлена, и вы знаете, откуда исходит ошибка. Просто проверьте фигуры ваших объектов и попытайтесь их совместить.

  • Как изменить бэкэнд Keras (где находится json-файл)?
  • Настройте функцию потери Keras так, чтобы y_true зависело от y_pred
  • Признание мниста с использованием кера
  • Использование глубокого обучения для прогнозирования подпоследовательности из последовательности
  • Keras / Tensorflow предсказывают: ошибка в форме массива
  • Использование Keras & Tensorflow с графическим процессором AMD
  • Ошибка Python Keras cross_val_score
  • Как реализовать взвешенную двоичную кросс-энтропию на анано?
  •  
    Interesting Posts for Van-Lav

    400 Bad Request при использовании `django.test.client`

    Как работает сборка мусора с несколькими запущенными процессами / потоками?

    Как вставить мою базу данных в таблицу QTableWidget?

    Есть ли чистый способ получить n-й столбец таблицы html с помощью BeautifulSoup?

    который я должен использовать (для сайтов на основе python)? sass, компас, switchcss … альтернативы?

    thread.start_new_thread vs threading.Thread.start

    Как определить строку как байтовый литерал?

    У словарей есть ограничение на длину ключа?

    OpenCV и Python: анализ подключенных компонентов

    Как построить очень простую гистограмму (Python, Matplotlib) с использованием файла ввода * .txt?

    Python – ConnectionError: превышено максимальное количество попыток

    Создание модели профиля с использованием как InlineAdmin, так и post_save сигнала в Django

    Python: улучшение поиска подстроки путем внедрения сложных алгоритмов

    Неожиданное поведение при индексировании 2D np.array с двумя булевыми массивами

    Как читать заголовки файлов в Python, аналогичные C?

    Python - лучший язык программирования в мире.