Y[i-s] = self.raw[i : i+predict_step，-1].copy() 输出不是应该这样定义吗？

如果你希望`Y`数组中的每一行是长度为`predict_step`的一维数组，那么可以按照你的建议修改代码如下：

predict_step = 6
Y  = np.zeros((self.n-s, predict_step))
...
Y[i-s]  = self.raw[i:i+predict_step, -1].copy()

这样，`Y`数组的每一行就是一个长度为6的一维数组，包含了需要预测的6个时间步的数据。

相关问题

应为最后一列是LABEL，我不确定Y[i-s] = self.raw[i:i+predict_step].copy() 还是 Y[i-s] = self.raw[i:i+predict_step，-1].copy()

如果你的时间序列数据集中最后一列是标签列，并且你希望将标签列中的数据作为输出数据集`Y`，那么你可以将代码修改为：

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
predict_step = 6
Y  = np.zeros((self.n-s, predict_step))

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:i+predict_step, -1].copy()

return X1, X2, Y

这样，`Y`数组的每一行将会包含从时间步i到时间步(i+predict_step-1)的标签数据。

请从新检查 ： 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 predict_step = 6 Y = np.zeros((self.n-s, predict_step)) 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() Y[i-s] = self.raw[i : i+predict_step].copy() return X1, X2, Y

非常抱歉，看到您之前的提问，我可能理解有误。现在重新检查您提供的代码：

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
predict_step = 6
Y  = np.zeros((self.n-s, predict_step))

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 : i+predict_step].copy()

return X1, X2, Y

这段代码的作用是为时间序列数据生成两种不同的输入数据集`X1`和`X2`，以及一个输出数据集`Y`。其中，`X1`表示短期数据集，`X2`表示长期数据集，`Y`表示需要预测的数据集。具体来说，对于每个时间步`t`，`X1`将包含`t-w`到`t-1`时间步的数据，`X2`将包含从`t-Ck`到`t-1`的数据，其中`Ck`表示长期记忆的窗口大小，`ps`表示长期记忆的次数，`skip`表示两次长期记忆数据之间的间隔。`Y`将包含从时间步`t`到时间步`t+5`的数据。

在这个代码中，`Y[i-s] = self.raw[i : i+predict_step].copy()` 表示将从时间步i到时间步(i+predict_step-1)的数据复制到`Y`数组的第`i-s`行。因此，如果你希望将输出数据集的每一行改为一个长度为`predict_step`的一维数组，你可以将这行代码修改为：

Y[i-s] = self.raw[i:i+predict_step].copy()

这样，`Y`数组的每一行就是一个长度为6的一维数组，包含了需要预测的6个时间步的数据。