欢迎来到社区 Fra，您可以在下面找到一个已完成的示例，该示例实现了一个多元输入特征（我认为是您的情况）时间序列预测、预测多个未来步骤（多步预测）、应用贝叶斯超参数化。
它基于从更简单到更复杂的方法，因此您可以看到架构中的层数很少，而被超参数化的是这些层中的单元。这是一个完整的示例，以防您几乎可以直接应用它并首先尝试使用单个输出节点进行建模以进行单步预测，然后添加更多未来步骤预测以检查您是否仍然在同一问题上运行正如你所描述的（从 n_output = 1 开始，然后增加它，例如在我的情况下，它是 72 个未来值来预测）。
对于这种类型的数据集：
并尝试预测温度值的几个未来时间步长（深蓝点）：
我们有一些代码，例如：
训练验证数据集拆分器功能：
def multivariate_data(dataset, target, start_index, end_index, history_size, target_size, step, single_step=False):
data = []
labels = []
start_index = start_index + history_size
if end_index is None:
end_index = len(dataset) - target_size
for i in range(start_index, end_index):
indices = range(i-history_size, i, step)
data.append(dataset[indices])
if single_step:
labels.append(target[i+target_size])
else:
labels.append(target[i:i+target_size])
return np.array(data), np.array(labels)
这是我们通过应用该函数得到的（在您的情况下，您不需要应用 6 个时间步长的采样间隔，您可以将其设置为 1；这是为了以防您想要对可能太长的历史进行下采样）：
构建训练评估集的函数实现：
past_history = 720 # historic values to consider for each prediction
future_target = 72 # number of future values to predict
STEP = 6 # sampling frequency (it makes taking 720/6 historic points for each sample)
x_train_multi, y_train_multi = multivariate_data(dataset_standardized, dataset_standardized[:, 1], 0,TRAIN_SPLIT, past_history, future_target, STEP)
x_val_multi, y_val_multi = multivariate_data(dataset_standardized, dataset_standardized[:, 1], TRAIN_SPLIT, None, past_history, future_target, STEP)
这样你就有：
- 过去历史的单一窗口：(120, 3)
- 要预测的目标温度：(72,)
对于训练阶段，我们定义批量大小和其他值并构建我们的训练和验证集：
BATCH_SIZE = 256
BUFFER_SIZE = 10000
train_data_multi = tf.data.Dataset.from_tensor_slices((x_train_multi, y_train_multi))
train_data_multi = train_data_multi.cache().shuffle(BUFFER_SIZE).batch(BATCH_SIZE).repeat()
val_data_multi = tf.data.Dataset.from_tensor_slices((x_val_multi, y_val_multi))
val_data_multi = val_data_multi.batch(BATCH_SIZE).repeat()
并从定义一个简单的架构开始，我们有：
multi_step_model = tf.keras.models.Sequential()
multi_step_model.add(tf.keras.layers.LSTM(32,
return_sequences=True, # "Boolean. Whether to return the last output. in the output sequence, or the full sequence"
input_shape=x_train_multi.shape[-2:]))
multi_step_model.add(tf.keras.layers.LSTM(16, activation='relu'))
multi_step_model.add(tf.keras.layers.Dense(72))
multi_step_model.compile(optimizer=tf.keras.optimizers.RMSprop(clipvalue=1.0), loss='mae')
我们可以检查验证集的性能：
EVALUATION_INTERVAL = 200
EPOCHS = 10
multi_step_history = multi_step_model.fit(train_data_multi, epochs=EPOCHS,
steps_per_epoch=EVALUATION_INTERVAL,
validation_data=val_data_multi,
validation_steps=50)
在将值缩小到其原始比例后，下面的预测为红色：
for x, y in val_data_multi.take(3):
x_denormalized = (x[0])*temps_std+temps_mean
y_denormalized = (y[0])*temps_std+temps_mean
multi_step_plot(x_denormalized, y_denormalized, (multi_step_model.predict(x)[0])*temps_std+temps_mean)
也许对您的用例来说最有趣的部分是，您可以尝试使用 keras 贝叶斯调谐器将一些参数的超参数化实现为隐藏层单元，如下所示：
from kerastuner import BayesianOptimization
def build_model_2(hp):
model = keras.Sequential()
model.add(keras.layers.LSTM(units=hp.Int('units',min_value=16,
max_value=32,
step=16),
#activation='relu',
return_sequences=True,
input_shape=x_train_multi.shape[-2:]))
model.add(keras.layers.LSTM(units=hp.Int('units',min_value=16,
max_value=32,
step=16),
activation='relu'))
model.add(keras.layers.Dense(72))
model.compile(loss='mae', optimizer=tf.keras.optimizers.RMSprop(clipvalue=1.0),
metrics=['mae'])
return model
# define model
bayesian_opt_tuner_2 = BayesianOptimization(
build_model_2,
objective='mae',
max_trials=3,
executions_per_trial=1,
directory=os.path.normpath('C:/keras_tuning'),
project_name='timeseries_temp_ts_test_from_TF_ex_multivar_multistep_2',
overwrite=True)
EVALUATION_INTERVAL = 200
EPOCHS = 10
bayesian_opt_tuner_2.search(train_data_multi,
epochs=EPOCHS,
validation_data=val_data_multi,
validation_steps=50,
steps_per_epoch=EVALUATION_INTERVAL)
# and selecting the best model:
best_MULTIVAR_MULTISTEP_LSTM_model_2 = bayesian_opt_tuner_2.get_best_models(num_models=1)[0]
我们有我们的新模型预测：
这在验证集上给出了改进的 MAE。