LSTM 数据集准备（多变量）

Question

我正在努力概念化为 LSTM 训练准备时间序列数据集的正确方法。我主要关心的是如何训练网络来“记住”之前的 N 个步骤。我脑子里有两种可能的方法，但我不确定哪一种是正确的。 我真的对此感到困惑，我尝试了两种方法（但是对于 1 个变量），它们似乎都提供了一些合理的结果。

1.) 数据集应采用如下张量格式

 X1=[[var1_t_1, var2_t_1, var3_t_1],
     [var1_t_2, var2_t_2, var3_t_2],
      ...] 
    X.shape = [N, 3]

 y=[ [target_t_1],
     [target_t_2],
      ...]
    y.shape = [N, 1]

在训练期间，LSTM 获取 N 个输入，每个时间步一个，并返回 N 个预测，用于计算损失和更新权重。 网络本身通过其单元状态“创建关于先前时间步值的记忆”。但是对于之前的步骤有多少它可以创建内存，有没有什么方法可以定义这个内存（如果可能的话，用 pytorch 的例子来回答）。

---

2.) 数据集应该已经包含之前的时间步值作为特征，因此第三维是必要的，例如。

X = [ [var1_t_1, var1_t_2,..., var1_t_10], [var2_t_1,..., var2_t_10],  [var3_t_1,..., var3_t_10],
      [var1_t_2, var1_t_3,..., var1_t_11], [var2_t_2,..., var2_t_11],  [var3_t_2,..., var3_t_11],
       ...] 
    X.shape = [N-10, 10, 3]

y = [ [target_t_11],
      [target_t_12],
       ... ]
    y.shape = [N-10, 1]

通过这种方式，我们定义了 LSTM 应尝试记住的先前步骤的数量。对于上面的例子，我们“要求”LSTM 记住至少 10 个之前的价格以便做出预测。

非常感谢任何有助于澄清这个概念的帮助。 Pytorch 代码也将非常受欢迎。