这是我在 DS 社区的第一个问题，所以我很乐意接受任何类型的（元）建议 :)。

我有一组users（〜100）的时间序列数据，而每15分钟记录一次antenna它们连接到哪个（〜80）（类似于手机连接）。

基于这些数据，我创建了一个密度向量，它在一段时间 t（即 01.01.2016 的 06:00）计算有多少用户连接到了哪个天线。

这样的密度对象（与上面给出的同一天和同一时间）可能如下所示：

• 100：5；
• 101：2；
• 102：3；
• 103：0；

而第一个数字是指天线的某个ID，第二个数字是指连接到天线的用户数。

我计划将此时间序列数据提供给循环神经网络。

结果应该是在下一个时间步（所以每 15 分钟）连接到天线的预测用户数。所以它可能会预测 01.01.2016 的 06:15：

• 100：7；
• 101：0；
• 102：1；
• 103：2；

现在我想知道输出层应该是什么样的？特别是关于神经元的数量和激活功能。我已经阅读了很多关于多项逻辑回归的内容，但一些确认会很好。

如果它应该输出每个天线的预测用户数，它应该有可能具有相同数量的神经元；所以它会是 80，就像在具有 softmax 激活函数的多类分类场景中一样。

所以我需要的是一个不同的激活函数，但即使在阅读了很多之后，我仍然无法理解它。

ie Get multiple output from Keras建议使用线性激活函数，但在他们的案例中，他们试图通过使用回归来预测接下来的 3 个值；而我试图预测一组天线的下一个值。

PS：为了构建神经网络，我使用的是（Tensorflow-）Keras。

PPS：为了馈入神经网络，我将生成所有时间步长的密度向量，然后以 batch_size = 80（天线数）分批馈送。出于好奇：我碰巧只有 1 个特征，所以 input_shape 可能是 (batch_size, 1, 1*80); 如果我有 2 个特征，那会是 (batch_size, 1, 2*80) 吗？

PPPS：甚至不太清楚如何命名这个问题。我认为它可能被称为（时间序列）多类回归问题，但我找不到任何同名的例子（撇开多项逻辑回归）。