Python 具有单一分类特征的 LSTM 预测

假设我的数据集(df)与你的类似:

          Date       Price  Location
0   2021-01-01  791.076890  Campania
1   2021-01-01  705.702464  Lombardia
2   2021-01-01  719.991382  Sicilia
3   2021-02-01  825.760917  Lombardia
4   2021-02-01  747.734309  Sicilia
...        ...         ...        ...
31  2021-11-01  886.874348  Lombardia
32  2021-11-01  935.040583  Campania
33  2021-12-01  771.165378  Sicilia
34  2021-12-01  952.255227  Campania
35  2021-12-01  939.754515  Lombardia

就我而言，我每个月有3个地区(坎帕尼亚、伦巴第、西西里)的Price个记录.我的 idea 是将不同的区域视为不同的特征，因此我将df转换为:

df = df.set_index(["Date", "Location"]).Price.unstack()

现在我的数据集是这样的:

Location    Campania    Lombardia   Sicilia
Date            
2021-01-01  791.076890  705.702464  719.991382
2021-02-01  758.872755  825.760917  747.734309
2021-03-01  880.038005  803.165998  837.738419
       ...         ...         ...         ...
2021-10-01  908.402345  805.081193  792.369610
2021-11-01  935.040583  886.874348  736.862025
2021-12-01  952.255227  939.754515  771.165378

在此之后，请确保没有NaN个值(df.isna().sum()).

现在，您可以将这些数据传递给this example年生产的多功能RNN(或LSTM)，或多通道1D-CNN( Select 适当的内核大小).这两种情况下唯一的问题可能是数据集太小，因此尽量不要过度参数化模型(例如减少神经元和层的数量)，否则过度拟合将不可避免.关于这一点，您可以在时间序列的最后20%上测试模型:

from sklearn.model_selection import train_test_split
df_train, df_test = train_test_split(df, shuffle=False, test_size=.2)

最后一部分是为监督学习构建匹配(X, Y)，但这取决于您使用的模型和您的预测任务.Another example here