深度学习双输入不同起始时间模型代码修改咨询

完全可以构建符合你需求的深度学习模型，核心是解决Temperature（t=0起始）和Status（t=1起始）的时间步错位问题，以下是针对你提供的代码的修改方案及说明：

核心思路 #

要预测t=15时刻的Temperature，对应的输入需要：

• Temperature序列：覆盖t=0到t=14（共15个时间步）
• Status序列：覆盖t=1到t=14（共14个时间步）
  由于两个序列长度不一致，我们需要补全Status缺失的t=0时刻值（可根据数据类型选择合理补全方式），保证输入的时间步维度统一，方便后续模型处理。

修改后的代码 #

import numpy as np
import pandas as pd

def df_to_X_y(df, window_size=15):
    # 单独提取Temperature和Status列（假设Temperature是第0列，Status是第1列）
    temp_series = df.iloc[:, 0].to_numpy()
    status_series = df.iloc[:, 1].to_numpy()
    
    X = []
    y = []
    # 计算最大循环次数，避免Status序列越界
    max_sample_idx = min(len(temp_series) - window_size, len(status_series) - (window_size - 1))
    
    for i in range(max_sample_idx):
        # 提取Temperature窗口：t=i 到 t=i+14（共15个时间步）
        temp_window = temp_series[i:i+window_size]
        # 提取Status窗口：t=i+1 到 t=i+14（共14个时间步），补全t=i位置的缺失值
        # 这里用0填充，可根据数据类型替换：分类变量用众数，连续变量用均值/中位数
        status_window = np.concatenate([[0], status_series[i+1:i+window_size]])
        # 组合成每个时间步的特征对：[Temperature, Status]
        combined_window = np.column_stack((temp_window, status_window))
        X.append(combined_window)
        # 目标值：t=i+15时刻的Temperature
        y.append(temp_series[i+window_size])
    
    return np.array(X), np.array(y)

关键修改说明 #

1. 拆分特征列：不再整行处理数据，单独提取两个特征序列，避免时间步错位
2. 边界控制：通过max_sample_idx确保Status窗口不会超出数据范围，因为Status比Temperature晚一个时间步开始
3. 缺失值补全：给Status的起始缺失时间步补全合理值，保证输入序列长度统一为15个时间步
4. 特征组合：将同一时间步的Temperature和Status配对，形成模型需要的序列输入格式（形状为：[样本数, 时间步, 特征数]）

额外建议 #

• 补全值选择：如果Status是分类变量，建议用数据中出现次数最多的类别填充；如果是连续变量，用均值或中位数更合适
• 数据归一化：训练模型前，对Temperature和Status分别做标准化（如StandardScaler），能大幅提升模型收敛速度和效果
• 模型选择：可以用LSTM、GRU这类序列模型，输入形状对应修改后X的形状即可

内容的提问来源于stack exchange，提问作者Azhan Ameer