I'M训练LSTM进行时间序列预测，其中数据来自传感器以不规则的间隔来自传感器。我正在使用最后5分钟的数据来预测下一个值，但是某些序列大于OTH ...

Question

我做错了什么？我该如何训练？

在这里我尝试训练LSTM：

def lstmFit(y, X, n_hidden=1, n_neurons=30, learning_rate=1e-2):   
    lstm = Sequential()
    lstm.add(Masking(mask_value=np.nan, input_shape=(None, X.shape[2])))
        
    for layer in range(n_hidden):
        lstm.add(LSTM(n_neurons, 
                      activation="tanh",
                      recurrent_activation = "sigmoid",
                      return_sequences=True))
        
    lstm.add(Dense(1))
    
    lstm.compile(loss="mse", optimizer="adam")
    
    early_stopping = EarlyStopping(monitor='loss', patience=10, verbose=1, restore_best_weights=True)
  
    
    lstm.fit(X, y.reshape(-1), epochs=100, callbacks=[early_stopping])
    
    y_train_fit = lstm.predict(X)
    
    return lstm, y_train_fit

模型的摘要：

lstm.summary()
Model: "sequential_9"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 masking_7 (Masking)         (None, None, 15)          0         
                                                                 
 lstm_6 (LSTM)               (None, None, 30)          5520      
                                                                 
 dense_10 (Dense)            (None, None, 1)           31        
                                                                 
=================================================================
Total params: 5551 (21.68 KB)
Trainable params: 5551 (21.68 KB)
Non-trainable params: 0 (0.00 Byte)
_________________________________________________________________

和训练的第一个时期：

Epoch 1/100
18/18 [==============================] - 20s 335ms/step - loss: nan
Epoch 2/100
18/18 [==============================] - 6s 335ms/step - loss: nan
Epoch 3/100
18/18 [==============================] - 7s 365ms/step - loss: nan

您可以尝试：

将输入中的所有NAN值用0。或其他值更有意义。

切割序列，因此序列的长度等于最小序列的长度。
序列中的最后一个或第一个数据点序列中的最后一个数据点，因此所有序列均具有相同的长度（最大序列长度）。
plick以更有意义的措施。如果您不知道哪个更好，请尝试所有这些并比较结果。
    

Answer 1