如何在Keras中实现含额外特征拼接的LSTM多变量时序预测模型

Sequential模型仅支持单输入单输出的线性结构，你的需求需要多分支输入（时序特征分支+额外特征分支），因此必须使用Keras函数式API来构建自定义模型，以下是具体实现方案：

核心思路 #

1. 拆分输入：将数据集分为两部分
   • 时序特征输入：包含X1-X5和y的6个序列特征，形状为(样本数, 时间步长n_input, 6)
   • 额外特征输入：包含mean、std、var、median、volume的静态特征，形状为(样本数, 5)（无时间维度）
2. 构建LSTM分支：处理时序输入提取时序特征
3. 特征拼接：根据需求在全连接层前后拼接LSTM输出与额外特征
4. 组合模型：定义多输入与最终输出，完成模型构建

完整代码实现（全连接层前拼接） #

from keras.models import Model
from keras.layers import Input, LSTM, Dense, Concatenate

# 定义参数：n_input为时间步长，n_seq_features为时序特征数，n_extra_features为额外特征数
n_input = 30
n_seq_features = 6
n_extra_features = 5

# 定义两个输入分支
seq_input = Input(shape=(n_input, n_seq_features), name='sequence_input')
extra_input = Input(shape=(n_extra_features,), name='extra_features_input')

# LSTM分支处理时序数据
lstm_out = LSTM(100, activation='relu')(seq_input)

# 拼接LSTM输出与额外特征（此处为全连接层前拼接）
concat_out = Concatenate()([lstm_out, extra_input])

# 全连接层与输出层
dense_out = Dense(64, activation='relu')(concat_out)
final_out = Dense(1)(dense_out)

# 定义并编译模型
model = Model(inputs=[seq_input, extra_input], outputs=final_out)
model.compile(optimizer='adam', loss='mse')

# 查看模型结构
model.summary()

训练时的数据输入方式 #

训练时需同时传入两个输入数据集：

# X_seq为时序特征数据，X_extra为额外特征数据，y为预测标签
model.fit([X_seq, X_extra], y, epochs=50, batch_size=32)

调整为全连接层后拼接 #

若需要在全连接层之后拼接额外特征，只需调整拼接顺序：

# LSTM分支
lstm_out = LSTM(100, activation='relu')(seq_input)
# 先经过全连接层
dense1_out = Dense(64, activation='relu')(lstm_out)
# 再拼接额外特征
concat_out = Concatenate()([dense1_out, extra_input])
# 最终输出层
final_out = Dense(1)(concat_out)

model = Model(inputs=[seq_input, extra_input], outputs=final_out)

内容的提问来源于stack exchange，提问作者Ismaele Le Voci