时间序列数据必须经过变换才能用来拟合有监督的学习模型。在这种形式下，数据可以立即用于拟合有监督的机器学习算法，甚至多层感知器神经网络。为了使数据适合卷积神经网络（CNN）或长短期记忆（LSTM）神经网络，还需要进一步的转换。即监督学习数据的二维结构必须转换为三维结构，这也是在做时间序列预测时很让人头疼的问题。本文介绍了如何将时间序列数据集转换为三维结构，以便适合CNN或LSTM模型。
1 时间序列到监督问题的转化
时间序列数据在训练有监督的学习模型（如LSTM神经网络）之前需要准备。例如，一元时间序列表示为观测向量：
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]监督学习算法要求将数据作为样本集合提供，其中每个样本具有输入分量X和输出分量y。
模型将学习如何从提供的示例中将输入映射到输出。
时间序列必须转换成具有输入和输出分量的样本。例如，预测输入数据X和预测输出标签y。对于一个对一步预测感兴趣的单变量时间序列问题，可以使用先前时间点的观测值作为输入，当前时间点的观测值作为输出。例如，上述10步单变量序列可以表示为一个有监督学习问题，其输入为3个时间步，输出为1个时间步，如下所示：
X, y
[1, 2, 3], [4]
[2, 3, 4], [5]
[3, 4, 5], [6]
...可以编写代码来执行此转换，下面的 split_sequence() 函数实现了转换，它将一个给定的单变量序列分割成多个样本，其中每个样本都有指定数量的时间步长，输出是单个时间步长。将数据转换为适合训练监督学习模型的形式后，用行和列表示。每一列表示模型的一个特征，每一行表示一个输入样本。这两个概念需要明确，在与LSTM时间序列预测问题相关的博客还是论文中经常提及：
- 特征（feature）：转换后数据的每一列，比如降水量预测中的温度、湿度、风速、气压等特征；
- 样本（sample）：转换后数据的每一行，包含输入数据和输出标签；
如下例，3个特征，4个样本，数据集的形状（shape）为 [4,3]：
x1, x2, x3, y
1, 2, 3, 4
2, 3, 4, 5
3, 4, 5, 6
4, 5, 6, 7
5, 6, 7, 8
6, 7, 8, 9
7, 8, 9, 10使用代码实现：
import numpy as np
def split_sequence(sequence, sliding_window_width):
X, y = [], []
for i in range(len(sequence)):
# 找到最后一次滑动所截取数据中最后一个元素的索引，
# 如果这个索引超过原序列中元素的索引则不截取；
end_element_index = i + sliding_window_width
if end_element_index > len(sequence) - 1: # 序列中最后一个元素的索引
break
sequence_x, sequence_y = sequence[i:end_element_index], sequence[end_element_index] # 取最后一个元素作为预测值y
X.append(sequence_x)
y.append(sequence_y)
#return X,y
return np.array(X), np.array(y)
if __name__ == '__main__':
seq_test = [1,2,3,4,5,6,7,8,9,10]
sw_width = 3
seq_test_x, seq_test_y = split_sequence(seq_test, sw_width)
print(seq_test_x.shape,seq_test_y.shape)
for i in zip(seq_test_x,seq_test_y):
print(i)
for i in range(len(seq_test_x)):
print(seq_test_x[i], seq_test_y[i])输出：
(7, 3) (7,)
(array([1, 2, 3]), 4)
(array([2, 3, 4]), 5)
(array([3, 4, 5]), 6)
(array([4, 5, 6]), 7)
(array([5, 6, 7]), 8)
(array([6, 7, 8]), 9)
(array([7, 8, 9]), 10)
[1 2 3] 4
[2 3 4] 5
[3 4 5] 6
[4 5 6] 7
[5 6 7] 8
[6 7 8] 9
[7 8 9] 10这种形式的数据可以直接用于训练一个简单的神经网络，比如一个多层感知器。在为CNNs和LSTMs准备数据时要求数据具有三维结构，而不是目前描述的二维结构。
2. 为 CNN/LSTM 构建三维数据输入数据
CNN和LSTM模型的输入层由网络第一隐含层的输入形状参数指定。这也会使初学者感到困惑，因为我们可能会直观地认为模型中定义的第一层是输入层，而不是隐藏层。例如，下面是一个具有一个隐藏LSTM层和一个密集输出层的网络示例。我的TensorFlow版本为 2.1.0。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
model = Sequential()
model.add(LSTM(32))
model.add(Dense(1))在本例中，LSTM() 层必须指定输入数据的形状（shape）。每个CNN和LSTM层的输入必须是三维的：
- 样本（samples）：一个序列（依上例，转化后，每一行）就是一个样本。输入LSTM的一个批次数据（batch_size）由一个或多个样本组成。
- 时间步长（time steps）：一个样本包含多个时间步长，即滑动窗口的宽度（依上例，时间步长是3），这里注意与滑动窗口的滑动步长作区分。
- 特征（features）：包含多少个特征，比如降水量预测中的温度、湿度、风速、气压特征，那么指定
feature就是4。
这种输入数据可用数组表示：[samples, time steps, features]。前一节中提到的数据集是二维的，数组形状是：[samples, features]。区别是添加了时间步长维度。在时间序列预测问题中，特征是在时间步长的观测值。所以实际上是在增加特征的维度，一个单变量时间序列只有一个特征。此处可能有人要犯迷糊了，之前也理解了比较久，转化成三维之后，其实二维上是形状为[samples, time steps]的二维数组，然后第三个维度是features，想象一下立方体，每增加一个特征（features）就相当于沿着Z轴叠加二维数组。
在定义LSTM网络的输入层时，网络假设输入有一个或多个示例，并要求指定时间步数和特征数，这两个特征组成元组传入LSTM模块中的 input_shape 参数。例如，下面的模型定义了一个输入层，它需要1个或多个样本、3个时间步和1个特征。网络中的第一层实际上是第一个隐藏层，因此在本例中，32 表示第一个隐藏层中的单元数。第一个隐藏层中的单元数与输入数据中的样本数、时间步长或特征完全无关。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
model = Sequential()
model.add(LSTM(32, input_shape=(3, 1)))
model.add(Dense(1))上一节中，我们将1到10的序列分割成了一个形状为 [7,3] 的二维数组，但当输入到LSTM时，需要将数据转化为三维，因此我们可以使用 numpy 中的 reshape() 函数来实现。
seq_test_x_1 = seq_test_x.reshape((7, 3, 1))
seq_test_x_1输出：
array([[[1],
[2],
[3]],
[[2],
[3],
[4]],
[[3],
[4],
[5]],
[[4],
[5],
[6]],
[[5],
[6],
[7]],
[[6],
[7],
[8]],
[[7],
[8],
[9]]])这种方法需要手动设置形状，需要修改代码，不够灵活；我们可以调用数组的 seq_test_x.shape 属性返回的数组的样本数和步数来编写代码。例如，seq_test_x.shape[0] 表示2D数组中的行数（样本数），seq_test_x.shape[1] 表示2D数组中的列数（特征数）：
在这种情况下，我们将使用的特征数作为时间步数。因此，整形可以写成：
seq_test_x_2 = seq_test_x.reshape((seq_test_x.shape[0], seq_test_x.shape[1], 1))
seq_test_x_2输出结果跟上边第一个方法是相同的。最后，每个样本的输入元素被重塑为适合于拟合LSTM或CNN的三维数组，形状为[7, 3, 1]，即7个样本，3个时间步，1个特征。
3. 一个实例
假设有如下业务需求：
数据文件中有两列，行数为5000，第1列是时间（间隔为1小时），第2列是销售数量，尝试预测未来时间步的销售数量。应该如何为LSTM设置此数据中的样本数、时间步长和特征？
这里有两个问题需要明确：
- 数据形状：LSTM需要3D输入，需要重塑为
[samples, time steps, features]。 - 序列长度：LSTM的输入最好不要超过200-400个时间步的序列，因此需要将数据分割成子样本。
要实现业务需求，需要分以下四步执行：
- 加载数据；
- 丢弃时间列，因为序列的顺序已经可以保证时间先后关系；
- 划分样本；
- 重塑数据序列形状；
3.1 加载数据
这里我们模拟5000组数据。代码实现：
import numpy as np
simul_data = []
n = 5000
for i in range(n):
simul_data.append([i+1, (i+1)*10]) # 第一列是时间列，第二列是特征数据列
simul_data = np.array(simul_data)
print(simul_data[:5, :]) # 取前5组数据
print(simul_data.shape)输出：
[[ 1 10]
[ 2 20]
[ 3 30]
[ 4 40]
[ 5 50]]
(5000, 2)3.2 丢弃时间列
为了方便演示，这里只是使用了切片取值的方法，在实际的应用过程中，很大一部分时间都是在处理数据，所以需要考虑空值问题，可以使用pandas相关方法来处理。这里为了便于演示就不处理了：
# 删除时间列
simul_data = simul_data[:, 1]
simul_data.shape
'''
输出：(5000,)
'''3.3 将数据划分成样本
LSTM需要处理样本，其中每个样本是一个窗口宽度大小的序列。5000个时间步的数据太长；LSTM一般在200到400个时间步之内时表现比较好。因此，需要将5000个时间步分割成多个子序列。本例中，默认不重叠，滑动的步长就是窗口宽度，这样把5000个时间步分成25个子序列，每个子序列200个时间步（即滑动窗口宽度为200，滑动步长为200，这样划分的数据就不重叠了，但是在实际业务需求中一般是需要重叠的，关于有重叠划分数据会在以后的文章中介绍）。代码如下：
samples = []
sw_steps = 200 # 滑动窗口步长
for i in range(0, n, sw_steps):
sample = simul_data[i:i+sw_steps] # 截取 i 到 i + 200 的数据
samples.append(sample)
print(len(samples))输出：
25 # 将5000个采样点数据，按照不重叠、200个采样点构成一个样本的方式，划分成25个样本3.4 重塑数组
LSTM需要格式为 [samples，timesteps，features] 的数据。我们有25个样本，每个样本200个时间步，和1个特征。首先，需要将数组列表转换成一个二维NumPy数组，其形状为 [25,200] 。
simul_data = np.array(samples)
print(simul_data,simul_data.shape)输出：
[[ 10 20 30 ... 1980 1990 2000]
[ 2010 2020 2030 ... 3980 3990 4000]
[ 4010 4020 4030 ... 5980 5990 6000]
...
[44010 44020 44030 ... 45980 45990 46000]
[46010 46020 46030 ... 47980 47990 48000]
[48010 48020 48030 ... 49980 49990 50000]] (25, 200)接下来，我们可以使用 reshape() 函数添加一个特征维度，并将现有列用作时间步。
simul_data = simul_data.reshape((len(samples), sw_steps, 1))
print(simul_data.shape)输出：
(25, 200, 1)至此，已经把业务需求实现了。再来回顾以下处理数据的四个步骤：
- 加载数据：可以使用pandas；
- 丢弃时间列，因为序列的顺序已经可以保证时间先后关系：注意空值处理，可以使用pandas.isnull(df)检查；
- 划分样本：本文中不涉及重叠划分数据，会在以后的文章中介绍；还包括人类行为识别，发电量预测等；
- 重塑数据序列形状：使用numpy实现，转换成三维数组，其shape为：
[samples，timesteps，features]。
