不同时间步长的数据形状和LSTM输入

Question

在我的硕士论文中，我想用LSTM模型来预测股票在未来一小时内的价格。My X数据包含30.000行，具有6个维度（=6个要素），My Y数据包含30.000行和1个维度（=目标变量）。对于我的第一个LSTM模型，我将X数据重塑为（30.000x1x6），将Y数据重塑为（30.000x1），并确定如下输入： input_nn=输入（形状=（1，6））

如果我想增加时间步长，我不知道如何重塑数据形状和确定模型的输入形状。我仍然想预测下一个小时的股价，但包括更多之前的时间步数。 我是否必须在第二个维度的X数据中添加以前时间步长的数据？在

你能解释一下LSTM的单位数到底是指什么吗？它应该和我的情况下的时间步数一样吗？在

Answer 1

使用比上一个快5倍的代码进行更新：

x = np.load(nn_input + "/EOAN" + "/EOAN_X" + ".npy")
y = np.load(nn_input + "/EOAN" + "/EOAN_Y" + ".npy")
num_features = x.shape[1]
num_time_steps = 500

for train_index, test_index in tscv.split(x):
# Split into train and test set
print("Fold:", fold_counter, "\n" + "Train Index:", train_index, "Test Index:", test_index)
x_train_raw, y_train, x_test_raw, y_test = x[train_index], y[train_index], x[test_index], y[test_index]

# Scaling the data
scaler = StandardScaler()
scaler.fit(x_train_raw)
x_train_raw = scaler.transform(x_train_raw)
x_test_raw = scaler.transform(x_test_raw)

# Creating Input Data with variable timesteps
x_train = np.zeros((x_train_raw.shape[0] - num_time_steps + 1, num_time_steps, num_features), dtype="float32")
x_test = np.zeros((x_test_raw.shape[0] - num_time_steps + 1, num_time_steps, num_features), dtype="float32")

for row in range(len(x_train)):
    for timestep in range(num_time_steps):
        x_train[row][timestep] = x_train_raw[row + timestep]

for row in range(len(x_test)):
    for timestep in range(num_time_steps):
        x_test[row][timestep] = x_test_raw[row + timestep]

y_train = y_train[num_time_steps - 1:]
y_test = y_test[num_time_steps - 1:]