0

我有一个由 51 个时间序列向量组成的矩阵（形状：m x 51）， 每个向量都有m个样本。我想训练两个自动编码器，一个使用 CNN，另一个使用 LSTM 网络。我想将 2D 矩阵重塑为 3D 矩阵，使其包含51 个变量中的每一个的m_new序列，并且每个序列都是w长的，并且重叠了lap样本。

我设法做到了这一点，但没有重叠部分。有没有一种有效的方法来做到这一点？

W = 20 #window size
m_new = int(np.floor(m/W))
m_trct = int(m_new*W)
X_raw_trct = X_raw[0:m_trct,:]
X = np.reshape(X_raw_trct,(m_new,W,X_raw_trct.shape[1]))

如下所示，生成的序列重叠 lap = w-1。

在此处输入图像描述

**更新** 参考Split Python sequence (time series/array) into subsequences with overlay中的答案，使用函数subsequences将 1D 数组拆分为w-1重叠的w长子序列（步幅of 1) 生成形状为 ( m_new, w ) 的二维数组。在下面的代码 2 中，我必须使用循环将 51 个变量的每个向量作为 1D 数组处理，然后附加 2D 数组的结果以生成最终的 3D 形状数组 ( m_new, w, 51 )。但是，循环需要很长时间才能执行。

**code 2**
def subsequences(ts, window):
## ts is of shape (m,)
    shape = (ts.size - window + 1, window)
    strides = ts.strides * 2
    return np.lib.stride_tricks.as_strided(ts, shape=shape, strides=strides)

# rescaledX_raw.shape is (m,51)
n = rescaledX_raw.shape[1]
# n = 51

a = rescaledX_raw[:,0]
# a.shape is (m,)

Xaa = subsequences(a,W)
X = ones(Xaa.shape)*-1
# X.shape is (m_new, W) 


for kk in range(n):
## a is of shape (m,)
    a = rescaledX_raw[:,kk]
    Xaa = subsequences(a,W)
    X = np.dstack((X, Xaa))



X_nn = np.delete(X, 0, axis=2)
# X_nn.shape is (m_new, W, 51)

此外，我尝试使用代码 3中的函数将其作为完整的 2D 形状数组（ m x 51）转换为 3D 形状数组（m_​​new,w ,51）

**code 3**
def rolling_window(a, window):
## a is of shape (51,m)
    shape = (a.shape[-1] - window + 1,window,a.shape[0])
    strides = a.strides + (a.strides[-1],)
    return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)

但生成的 3D 矩阵不是正确的。请参考下面的演示。另外，如何将步幅添加为可以更改的变量。在上面的脚本中，步幅为 1（意味着重叠为w-1） Code 2 和 Code 3 的输出演示

4

1 回答 1

0

我找到了一篇有用的帖子来使用TimeseriesGenerator完成这项工作。带有 TimeSeriesGenerator 的 Keras LSTM 自定义数据生成器 

class CustomGenFit(TimeseriesGenerator):
    def __getitem__(self, idx):
        x, y = super().__getitem__(idx)
        return x, x


Xsequences = CustomGenPredict(X, X, length=W, stride = s,sampling_rate=1, batch_size=m)
于 2019-10-30T06:31:56.040 回答