CNN- GRU进行多变量特征提取，python构造输入数据代码

假设我们有以下的多变量时间序列数据：

time, var1, var2, var3
1, 10, 20, 30
2, 11, 22, 33
3, 12, 24, 36
4, 13, 26, 39
5, 14, 28, 42
6, 15, 30, 45
7, 16, 32, 48
8, 17, 34, 51
9, 18, 36, 54
10, 19, 38, 57

我们可以将其构造成一组输入数据和对应的标签数据，用于训练CNN-GRU模型。

首先，我们需要对数据进行归一化处理，使其在相同的数值范围内。以下是一种常用的归一化方法：

import numpy as np

# 将数据进行归一化处理，使其在相同的数值范围内
def normalize_data(data):
    data -= np.mean(data, axis=0)
    data /= np.std(data, axis=0)
    return data

然后，我们需要将多变量时间序列数据转换为3D张量，以便适应CNN-GRU模型的输入格式。以下是一种常用的方法：

# 将多变量时间序列数据转换为3D张量
def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back):
        a = dataset[i:(i+look_back), :]
        dataX.append(a)
        dataY.append(dataset[i + look_back, :])
    return np.array(dataX), np.array(dataY)

接下来，我们可以使用上述函数来生成输入数据和对应的标签数据：

# 构造输入数据
dataset = np.array([[10, 20, 30], [11, 22, 33], [12, 24, 36], [13, 26, 39], [14, 28, 42], [15, 30, 45], [16, 32, 48], [17, 34, 51], [18, 36, 54], [19, 38, 57]])
dataset = normalize_data(dataset)
look_back = 3
trainX, trainY = create_dataset(dataset, look_back)
trainX = np.reshape(trainX, (trainX.shape[0], look_back, trainX.shape[2], 1))

print(trainX.shape)   # (7, 3, 3, 1)
print(trainY.shape)   # (7, 3)

最后，我们可以将生成的训练数据用于训练CNN-GRU模型。