Y = np.zeros((self.n-s, self.m)) 不应改为 Y = np.zeros((self.n-s,predict_step ))吗？

如果要将`Y`数组的形状改为`(self.n-s, predict_step)`，那么代码应该修改为：

predict_step = 6
Y  = np.zeros((self.n-s, predict_step))
...
Y[i-s]  = self.raw[i : i+predict_step].copy()

这样的话，`Y`数组的形状就会正确地被定义为`(self.n-s, predict_step)`，其中`predict_step`表示需要预测的时间步数，其值为6。

相关问题

Y1定义为LABEL输出，Y1 = np.zeros((self.n - s, 1))， Y2是特征输出 ：Y2 = np.zeros((self.n - s, self.m - 1))

好的，按照您的要求，修改后的函数如下所示：

def _slice_multi(self):
    # self.n 是数据集总行数
    # self.m 是列
    s = self.ps * self.skip + self.Ck - 1 + self.h - 1
    X1 = np.zeros((self.n - s, self.w, self.m))  # 短期数据集
    X2 = np.zeros((self.n - s, self.ps * self.Ck, self.m - 1))  # 长期数据集
    Y1 = np.zeros((self.n - s, 1))  # LABEL输出
    Y2 = np.zeros((self.n - s, self.m - 1))  # 特征输出
    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self.ps次，每次间隔self.skip长，取self.Ck=6， total = self.ps * self.Ck
            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, :-1].copy()  # 去掉最后一列
        Y1[i - s] = self.raw[i, -1].copy()  # 最后一列为LABEL
        Y2[i - s] = self.raw[i, :-1].copy()  # 去掉最后一列
    # 返回特征和标签
    return (X1, X2), (Y1, Y2)

修改后的函数输出了两个元组，每个元组包含了两个数组，分别对应两个输出。其中Y1为LABEL输出，维度为 (n-s, 1)，Y2为特征输出，维度为 (n-s, m-1)。

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