我正在研究一个时间序列的问题。我有(timesteps, features),输出的长度是(timesteps,). 所有输出为浮点数。但问题是我有不同时间步长的训练样本。假设一个示例有 1500 个时间步,那么它将输出 1500 维向量。另一个例子有 1000 个时间步,它将有 1000 维输出。
我正在寻找一种使用 keras 训练这种模型的方法。
我正在研究一个时间序列的问题。我有(timesteps, features),输出的长度是(timesteps,). 所有输出为浮点数。但问题是我有不同时间步长的训练样本。假设一个示例有 1500 个时间步,那么它将输出 1500 维向量。另一个例子有 1000 个时间步,它将有 1000 维输出。
我正在寻找一种使用 keras 训练这种模型的方法。
它是必须保持一致的特征数量,而不是时间戳的数量。
输出将是一批单行预测,因此在您的情况下它是 1500 和超过 1000。模型不在乎,特征应该保持不变。并注意时间序列的数据泄漏。