बाहरी सुविधाओं के साथ समय श्रृंखला बहु-चरण क्षितिज के लिए एलएसटीएम में इनपुट डेटा कैसे बनाया जाए?

Question

मैं स्टोर बिक्री पूर्वानुमान करने के लिए LSTM उपयोग करने के लिए कोशिश कर रहा हूँ।

|  Date | StoreID | Sales | Temperature | Open | StoreType | 
|------------|---------|-------|-------------|---------|-----------| 
| 01/01/2016 | 1  | 0 |  36  | 0 |  1  | 
| 01/02/2016 | 1  | 10100 |  42  | 1 |  1  | 
| ... 
| 12/31/2016 | 1  | 14300 |  39  | 1 |  1  | 
| 01/01/2016 | 2  | 25000 |  46  | 1 |  3  | 
| 01/02/2016 | 2  | 23700 |  43  | 1 |  3  | 
| ... 
| 12/31/2016 | 2  | 20600 |  37  | 1 |  3  | 
| ... 
| 12/31/2016 | 10 | 19800 |  52  | 1 |  2  | 

मैं अगले 10 दिनों की बिक्री के लिए की भविष्यवाणी करने की जरूरत है: यहाँ कैसे मेरे कच्चे डेटा की तरह लग रही है। इस उदाहरण में, मुझे 01-01-2017 से 01-10-2017 तक स्टोर बिक्री की भविष्यवाणी करने की आवश्यकता होगी। मुझे पता है कि इस समस्या को हल करने के लिए अन्य समय श्रृंखला मॉडल या रिग्रेशन मॉडल का उपयोग कैसे करें, लेकिन मैं जानना चाहता हूं कि आरएनएन-एलएसटीएम इसके लिए एक अच्छा उम्मीदवार है या नहीं।

मैं केवल storeID = 1 डेटा लेने LSTM का परीक्षण करने के द्वारा शुरू कर दिया। अपने डेटा केवल दिनांक और बिक्री है। दो

trainX.shape 
(300, 1, 20) 
trainY.shape 
(300, 10) 

Question1 देगी बाद

Window = 20 
Horizon = 10 

|   trainX     |   trainY    | 
| [Yt-10, Yt-11, Yt-12,...,Yt-29] | [Yt, Yt-1, Yt-2,...,Yt-9] | 
| [Yt-11, Yt-12, Yt-13,...,Yt-30] | [Yt-2, Yt-3, Yt-4,...,Yt-10] | 
| [Yt-12, Yt-13, Yt-14,...,Yt-31] | [Yt-3, Yt-4, Yt-5,...,Yt-11] | 
... 

:: मैं इस तरह से मेरी trainX और trainY का निर्माण करेगी (कृपया मुझे ठीक कर लें मैं गलत हूँ) इस मामले में, [नमूने, समय कदम, विशेषताएं] = [300, 1, 20]। क्या यह सही है? या मुझे नमूना [300, 20, 1] के रूप में बनाना चाहिए?

प्रश्न 2: मैं कच्चे डेटा जैसे तापमान, स्टोरटाइप इत्यादि में अन्य जानकारी का उपयोग करना चाहता हूं। मुझे एलएसटीएम के लिए अपना इनपुट डेटा कैसे बनाना चाहिए?

प्रश्न 3: अभी तक हमने केवल 1 स्टोर पूर्वानुमान पर चर्चा की है, अगर मैं सभी दुकानों के लिए पूर्वानुमान करना चाहता हूं, तो मुझे अपना इनपुट डेटा कैसे बनाना चाहिए?

वर्तमान में मैं here से बह उदाहरण हूँ, लेकिन यह परिदृश्य मेरे पास है को कवर करने के लिए पर्याप्त नहीं लगता है। मैं आपकी मदद के लिए वास्तव में सराहना करता हूं!

Answer 1

मैं हाल ही में समान समस्या को हल करने गया था। आपके मामले में:

1. इनपुट आकार (300, 20, 1) होना चाहिए - क्योंकि तुम 1 सुविधा के साथ लंबाई 20 के उन समय अनुक्रमों की है।

2. आप इस तरह यह कर सकता है:

   sequential_input = Input(shape=(20, 1)) 
   feature_input = Input(shape=(feature_nb,)) 
   lstm_layer = LSTM(lstm_units_1st_layer, return_sequences=True)(sequential_input) 
   lstm_layer = LSTM(lstm_units_2nd_layer, return_sequences=True)(lstm_layer) 
   ... 
   lstm_layer = LSTM(lstm_units_nth_layer, return_sequences=False)(lstm_layer) 
   merged = merge([lstm_layer, feature_input], mode='concat') 
   blend = Dense(blending_units_1st_layer, activation='relu')(merged) 
   blend = Dense(blending_units_2nd_layer, activation='relu')(blend) 
   ... 
   output = Dense(10)(blend) 
   

3. यह सबसे कठिन हिस्सा है। मैं सलाह आप उन्हें एक फीचर वेक्टर के रूप में एक नेटवर्क से खिला द्वारा कई दुकानों भविष्यवाणी करने के लिए नहीं है । आप बस इस भाग को छोड़ सकते हैं और उदाहरण के लिए एक मॉडल या पोस्टप्रोसेस आउटपुट का उपयोग करके विभिन्न दुकानों की भविष्यवाणी करने का प्रयास कर सकते हैं। मैट्रिक्स पर कुछ प्रकार के ग्राफिकल मॉडल या PCA जहां पंक्तियां दिन की बिक्री होती हैं।

अद्यतन:

एकाधिक अनुक्रमिक सुविधाओं आप निम्नलिखित बात कर सकता है के साथ सौदा करने के लिए:

sequential_input = Input(shape=(20, nb_of_sequental_features)) 
    feature_input = Input(shape=(feature_nb,)) 
    lstm_layer = LSTM(lstm_units_1st_layer, return_sequences=True)(sequential_input) 
    lstm_layer = LSTM(lstm_units_2nd_layer, return_sequences=True)(lstm_layer) 
    ... 
    lstm_layer = LSTM(lstm_units_nth_layer, return_sequences=False)(lstm_layer) 
    merged = merge([lstm_layer, feature_input], mode='concat') 
    blend = Dense(blending_units_1st_layer, activation='relu')(merged) 
    blend = Dense(blending_units_2nd_layer, activation='relu')(blend) 
    ... 
    output = Dense(10)(blend) 
    model = Model(input=[sequential_input, feature_input], output=output]) 

इस मामले आपके इनपुट दो तालिकाओं की सूची से मिलकर करना चाहिए: [sequential_data, features] जहां sequential_data.shape = (nb_of_examples, timesteps, sequential_features) और features.shape = (nb_of_examples, feature_nb)। तो sales या temperature को sequential_features और store_type में features में संग्रहीत किया जाना चाहिए।