python时间序列分类_用Keras理解多元时间序列分类

我试图了解如何正确地将数据输入到我的keras模型中，使用LSTM神经网络将多变量时间序列数据分为三类。在

我已经查看了不同的资源——主要是Jason Brownlee post1，post2，post3）、其他SO questions和不同的{a5}的三篇优秀的博客文章，但其中给出的信息都不完全适合我的问题情况，我无法确定我的数据预处理/输入模型是否正确，所以我想如果我在这里指定我的确切条件，我可能会得到一些帮助。在

我要做的是对多元时间序列数据进行分类，原始形式的数据结构如下：我有200个样品

一个示例是一个csv文件。

一个样本可以有1到50个特征（即csv文件有1到50列）。

每一个特性都有它的价值在固定的时间内被“跟踪”

步骤，假设是100（即每个csv文件正好有100行）。

每个csv文件有三个类（“good”、“too small”、“too big”）

所以我现在的状态是：

我有一个numpy数组“samples”，其结构如下：# array holding all samples

[

# sample 1

[

# feature 1 of sample 1

[ 0.1, 0.2, 0.3, 0.2, 0.3, 0.1, 0.2, 0.4, 0.5, 0.1, ... ], # "time series" of feature 1

# feature 2 of sample 1

[ 0.5, 0.6, 0.7, 0.6, 0.4, 0.3, 0.2, 0.1, -0.1, -0.2, ... ], # "time series" of feature 2

... # up