預測數據集的過去結束與RNN在Keras

Question

我有一個數據集跨越數百值關於溫度。顯然，在氣象學中，預測未來的價值將基於過去會有所幫助。

我有以下狀態模型，建於Keras：

look_back = 1 
model.add(LSTM(32, batch_input_shape=(batch_size, look_back, 1), stateful=True)) 
model.add(Dense(1)) 
model.compile(loss='mean_squared_error', optimizer='adam') 
for i in range(10): 
    model.fit(trainX, trainY, epochs=4, batch_size=batch_size, verbose=2, shuffle=False) 
    model.reset_states() 
# make predictions 
trainPredict = model.predict(trainX, batch_size=batch_size) 

我已經成功地得以訓練和測試在我的數據集，以合理的結果的模型，但我在努力理解什麼是需要預測接下來，例如數據集中的20個點。顯然，這20個點在數據集之外，他們還沒有「發生」。

我將不勝感激任何會有所幫助;我覺得我錯過了Keras中的一些簡單功能。

謝謝。

Answer 1

我覺得我缺少Keras一些簡單的功能。

你擁有所有你需要在那裏。爲了得到你要再次使用model.predict()新數據的預測，但對所需範圍。這取決於數據的外觀。

讓我們假設您的時間序列trainX發生了事件x範圍從[0,100]。

然後預測要在值調用predict()101到120，像接下來的20個事件：

futureData = np.array(range(101,121)) #[101,102,...,120] 
futurePred = model.predict(futureData) 

再次，這取決於你的「未來20」事件怎麼看。如果bin的大小是0.1（100,100.1,100.2，...），則應相應地評估預測結果。

你可能也想檢查this頁面，他們給例子，解釋一下時間序列中Keras與RNNs，如果你有興趣。