Если вы имеете дело с многомерными данными временных рядов для прогнозирования значений на следующие 10 часов, вам нужно быть очень осторожным, особенно когда вы настраиваете наборы входных данных для обучения модели LSTM, а также для тестирования и проверки производительности модели.
Ниже я демонстрирую, как предположить, что нужно настроить входы, чтобы помочь вам подготовить наборы входных данных на основе выбранного значения временного шага, как описано здесь.
X_train = [] y_train = [] # Creating a data structure with n timesteps which is 10 in our example print(train_size + timesteps) for i in range(timesteps, train_size + timesteps): X_train.append(X_train_set[i-timesteps:i,:]) y_train.append(y_train_set[i:i+timesteps]) print(“len(X_train)”,len(X_train)) print(“len(y_train)”,len(y_train)) #create X_train matrix #10 items per array (timestep) print(“np.array(X_train).shape=”,np.array(X_train).shape) print(“X_train[1].shapee=”,X_train[1].shape) #create Y_train matrix #10 items per array (as much as timestep) print(“y_train[0:2]”,y_train[0:2]) print(“np.array(y_train).shape=”,np.array(y_train).shape) print(“############################”) print(“############################”) print(“############################”) # Do the same for your test data X_test = [] y_test = [] # Creating a data structure with n timesteps print(test_size + timesteps) for i in range(timesteps, test_size + timesteps): X_test.append(X_test_set[i-timesteps:i,:]) y_test.append(y_test_set[i:i+timesteps]) print(“len(X_test)=”,len(X_test)) print(“len(y_test)=”,len(y_test)) #create X_test matrix #10 items per array (timestep) print(“np.array(X_test).shape=”,np.array(X_test).shape) print(“X_test[1].shape=”,X_test[1].shape) #10 items per array (timestep) print(“y_test[0:2]”,y_test[0:2]) print(“np.array(y_test).shape=”,np.array(y_test).shape)
