给定连续数据的x，y坐标，我将如何使用RNN / LSTM来学习速度变化？ （我必须使用一个循环层，因为这是一个更大的端到端模型的子问题，它也可以做其他事情）
训练数据示例：
x,y,speed_changed
0,0,0
0,0.1,0
0,0.2,0
0,0.3,0
0,0.5,1
0,0.6,0
0,0.7,0
...
到目前为止，我构建了有状态的LSTM并将其每批训练为一个项目。之后，每次速度发生变化时，我都会重置LSTM的状态，因此我了解到某个段具有相同的速度（段可以具有不同的长度）。
然后，由于段的长度不同，如何在生产中使用这种模型？
或者是否有更好的方法来训练此类数据的递归网络？也许是异常检测？ （我想避免使用固定的批量大小（例如3帧的窗口））
RNN和LSTM的结构不允许您直接进行，这就是原因-RNN的激活函数为：h（t）= Tanh（W * h（t-1）+ U * x（t）+偏差）请注意，无论您使用RNN多少个时间范围，W，U和偏差都相同。因此，给定一些X向量，输出将是p1 * X1 + p2 * X2的函数，依此类推，其中X1是示例中的X，X2是Y。
但是-要检测速度变化-您需要进行其他计算。速度变化表示在时间范围1和2之间以及在时间范围2和3之间走过的距离不同。行进距离为SQRT（（X1（t）-X1（t-1））^ 2 +（X2（t）-X2（t-1））^ 2）。这意味着您需要一个在某种程度上考虑X1 * X1的激活函数-这在RNN或LSTM中是不可能的。]
但是，您可以使用自定义激活函数来间接实现所需的功能，该函数可以计算最近时间范围内经过的距离。看一下this link。通过使用自定义激活函数，可以插入X1（t），X2（t），X1（t-1），X2（t-1）的向量并计算距离D。在t = 1时，您可以使用0为X1（t = 0）和X2（t = 0）。
您的自定义激活函数应类似于D =（X1（t）-X1（t-1））^ 2 +（X2（t）-X2（t-1））^ 2。这样-如果时间间隔之间的速度相同，则将为RNN提供恒定的D值，因此您希望RNN获得权重，该权重将模拟D（t）-D（t-1）的函数。