相关疑难解决方法(0)

考虑到室内和室外的气候，我试图预测墙壁的湿热响应。根据文献研究，我相信使用RNN应该可以做到这一点，但我一直无法获得很好的准确性。

该数据集具有12个输入要素（外部和内部气候数据的时间序列）和10个输出要素（湿热响应的时间序列），均包含10年的小时值。该数据是使用湿热模拟软件创建的，没有丢失的数据。

数据集功能：

数据集目标：

与大多数时间序列预测问题不同，我想在每个时间步长预测输入要素时间序列的全长响应，而不是时间序列的后续值（例如财务时间序列预测）。我还没有找到类似的预测问题（在相似或其他领域），因此，如果您知道其中一个，那么欢迎参考。

我认为使用RNN应该可以实现，因此我目前正在使用Keras的LSTM。在训练之前，我会通过以下方式预处理数据：

1. 丢弃第一年的数据，因为壁的湿热响应的最初步骤受初始温度和相对湿度的影响。
2. 分为训练和测试集。训练集包含前8年的数据，测试集包含其余2年的数据。
3. 使用StandardScalerSklearn 归一化训练集（零均值，单位方差）。类似地使用均值与训练集的方差归一化测试集。

这导致：X_train.shape = (1, 61320, 12)，y_train.shape = (1, 61320, 10)，X_test.shape = (1, 17520, 12)，y_test.shape = (1, 17520, 10)

由于这些都是较长的时间序列，因此我将使用有状态LSTM并按照此处的说明使用stateful_cut()函数削减时间序列。我只有1个样本，所以只有1个batch_size。因为T_after_cut我尝试了24和120（24 * 5）；24似乎可以提供更好的结果。这导致X_train.shape = (2555, 24, 12)，y_train.shape = (2555, 24, 10)，X_test.shape = (730, 24, 12)，y_test.shape = (730, 24, 10)。

接下来，我按以下步骤构建和训练LSTM模型：

model = Sequential()
model.add(LSTM(128, 
               batch_input_shape=(batch_size,T_after_cut,features), 
               return_sequences=True,
               stateful=True,
               )) …