数据定义Y的取值应该是i+1: idx = np.array(idx, dtype=int) X2[i-s] = self.raw[idx].copy() Y[i-s] = self.raw[i].copy()
时间: 2024-03-21 12:44:38 浏览: 32
是的,您是正确的。在这个数据定义中,Y的取值应该是原始时间序列中对应时间步的下一个时间步的值,即`i+1`时刻的值。因此,代码应该修改为:
```python
idx = np.array(idx, dtype=int)
X2[i-s] = self.raw[idx].copy()
Y[i-s] = self.raw[i+1].copy()
```
这样,Y的取值就是对应时间步的下一个时间步的值了,也就是单步预测的目标值。对于这种情况,可以使用监督学习算法进行训练和预测。
相关问题
s = self.ps*self.skip + self.Ck-1 + self.h-1 num_time_steps = 5 X1 = np.zeros((self.n-s, self.w, self.m)) X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) Y = np.zeros((self.n-s-num_time_steps+1, num_time_steps*self.m)) for i in range(s, self.n): t = i-self.h+1 X1[i-s] = self.raw[t-self.w:t].copy() idx = [] for k in range(self.ps): idx = list(range(t-self.Ck-k*self.skip, t-k*self.skip)) + idx idx = np.array(idx, dtype=int) X2[i-s] = self.raw[idx].copy() for i in range(s+num_time_steps-1, self.n): Y[i-s-num_time_steps+1] = self.raw[i-num_time_steps+1:i+1].copy().flatten() Y = Y[:, -5*self.m:]
我发现这段代码中有两个 for 循环都使用了变量名 i,这可能会导致其中一个循环的结果被覆盖,从而出现错误。你可以尝试将其中一个循环的变量名改为其他名称,例如:
```
s = self.ps*self.skip + self.Ck-1 + self.h-1
num_time_steps = 5
X1 = np.zeros((self.n-s, self.w, self.m))
X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m))
Y = np.zeros((self.n-s-num_time_steps+1, num_time_steps*self.m))
for i in range(s, self.n):
t = i-self.h+1
X1[i-s] = self.raw[t-self.w:t].copy()
idx = []
for k in range(self.ps):
idx = list(range(t-self.Ck-k*self.skip, t-k*self.skip)) + idx
idx = np.array(idx, dtype=int)
X2[i-s] = self.raw[idx].copy()
for j in range(s+num_time_steps-1, self.n):
Y[j-s-num_time_steps+1] = self.raw[j-num_time_steps+1:j+1].copy().flatten()
Y = Y[:, -5*self.m:]
```
这样修改后,两个循环的变量名就不会冲突了,可以避免一些潜在的错误。
下面是单步单维预测模型的数据结构,如果改为多步预测,结构如何修改: s = self.ps*self.skip + self.Ck-1 + self.h-1 X1 = np.zeros((self.n-s, self.w, self.m)) # short term dataset X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) # long term dataset Y = np.zeros((self.n-s, self.m)) # output dataset for i in range(s, self.n): t = i-self.h+1 X1[i-s] = self.raw[t-self.w:t].copy() idx = [] for k in range(self.ps): # 执行4次,每次间隔skip长,取Ck=6, total = 4 * 6 = 24 idx = list(range(t-self.Ck-k*self.skip, t-k*self.skip)) + idx idx = np.array(idx, dtype=int) X2[i-s] = self.raw[idx].copy() Y[i-s] = self.raw[i].copy() return X1, X2, Y
如果要改为多步预测,需要修改输出数据集Y的维度,变成一个矩阵,其中每一行表示从当前时间步开始的未来若干时间步的预测值。同时,由于需要预测多个时间步,长期数据集X2也需要进行相应的修改,变成一个三维数组,其中第一维表示时间步,第二维表示长期时间窗口,第三维表示特征数量。修改后的代码如下:
```
s = self.ps*self.skip + self.Ck-1 + self.h-1
X1 = np.zeros((self.n-s, self.w, self.m)) # short term dataset
X2 = np.zeros((self.n-s, self.ps, self.Ck, self.m)) # long term dataset
Y = np.zeros((self.n-s-self.h+1, self.h, self.m)) # output dataset
for i in range(s, self.n):
t = i-self.h+1
X1[i-s] = self.raw[t-self.w:t].copy()
idx = []
for k in range(self.ps):
idx = list(range(t-self.Ck-k*self.skip, t-k*self.skip)) + idx
idx = np.array(idx, dtype=int)
X2[i-s] = self.raw[idx].reshape(self.ps, self.Ck, self.m).copy()
Y[i-s-self.h+1] = self.raw[i-self.h+1:i+1].copy()
return X1, X2, Y
```
相关推荐
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)