用于时间序列分类的多变量LSTM-FCN

MLSTM FCN模型源自论文《用于时间序列分类的多变量LSTM-FCN》（https://arxiv.org/abs/1801.04503），它在挤压激励模块的基础上，结合了来自论文《用于时间序列分类的LSTM全卷积网络》（https://arxiv.org/abs/1709.05206）中的先进单变量时间序列模型——LSTM-FCN和ALSTM-FCN。LSTM-FCN和ALSTM-FCN模型的代码可在[LSTM-FCN](https://github.com/houshd/LSTM-FCN)中找到。

安装

下载该仓库，并运行pip install -r requirements.txt以安装所需的库。

这些模型的开发使用的是Keras配合TensorFlow后端，目前尚不支持Theano或CNTK后端。权重尚未在这些后端上进行测试。

注意：所有模型的输入层输入将预先打乱顺序，使其形状为(批次大小, 变量数量, 时间步数)，并在送入CNN之前再次打乱顺序（以获得正确的形状(批次大小, 时间步数, 变量数量)）。这与论文中的做法不同：论文中输入的形状是(批次大小, 时间步数, 变量数量)，然后在LSTM之前进行打乱操作，以得到输入形状(批次大小, 变量数量, 时间步数)。这两种操作是等效的。

多变量基准数据集

注意

多变量数据集现已在Release标签页中提供。 请在学术用途中引用本文及相应数据集的原始来源。

训练与评估

可使用提供的代码和权重文件对多种多变量基准数据集进行评估。具体说明请参阅权重目录。

每个数据集对应一个脚本文件，代码中包含两个主要部分。对于每个脚本文件，请确保取消注释以下行：

• 使用MLSTM FCN模型时：model = generate_model()
• 使用MALSTM FCN模型时：model = generate_model_2()
• 使用LSTM FCN模型时：model = generate_model_3()
• 使用ALSTM FCN模型时：model = generate_model_4()

训练

要训练模型，请取消注释下一行并执行脚本。注意，“???????”已预先给出，无需替换，它指的是保存的权重文件的前缀。此外，如果已有权重文件存在，此操作将会覆盖原有权重。

train_model(model, DATASET_INDEX, dataset_prefix='???????', epochs=250, batch_size=128)

评估

要评估模型性能，只需取消注释下一行并执行脚本即可。

evaluate_model(model, DATASET_INDEX, dataset_prefix='???????', batch_size=128)

结果

引用

@misc{Karim2018,
  Author = {Fazle Karim and Somshubra Majumdar and Houshang Darabi and Samuel Harford},
  Title = {Multivariate LSTM-FCNs for Time Series Classification},
  Year = {2018},
  Eprint = {arXiv:1801.04503},
}

MLSTM-FCN 快速上手指南

MLSTM-FCN 是一种用于多变量时间序列分类的深度学习模型，结合了 LSTM（长短期记忆网络）、全卷积网络（FCN）以及挤压与激励（Squeeze-and-Excitation）模块。本指南帮助中国开发者快速搭建环境并运行模型。

环境准备

• 系统要求：支持 Linux、macOS 或 Windows。
• 核心依赖：
  • Python 3.x
  • TensorFlow (作为后端)
  • Keras
• 注意：本项目仅支持 TensorFlow 后端，不支持 Theano 或 CNTK。

安装步骤

1. 克隆仓库 首先下载项目源代码：

   git clone https://github.com/titu1994/MLSTM-FCN.git
   cd MLSTM-FCN
   

2. 安装依赖库 建议使用国内镜像源（如清华源）加速安装过程：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 获取数据集 多变量基准数据集已发布在项目的 Release Tab 中。请下载所需数据集并放置于代码对应的目录中（具体路径参考各数据集脚本）。

基本使用

每个数据集对应一个独立的脚本文件。使用前请确保已下载对应的权重文件（如有）或准备好训练数据。

1. 选择模型

在脚本中找到模型生成部分，根据需求取消注释相应的行：

• MLSTM-FCN 模型：

  model = generate_model()
  

• MALSTM-FCN 模型：

  model = generate_model_2()
  

• LSTM-FCN 模型：

  model = generate_model_3()
  

• ALSTM-FCN 模型：

  model = generate_model_4()
  

输入形状说明：代码内部会自动处理输入数据的维度变换。输入层接收的形状为 (Batchsize, Number of variables, Number of timesteps)，在进入 CNN 前会再次打乱以适配 (Batchsize, Number of timesteps, Number of variables)，这与论文描述逻辑等价，无需手动预处理。

2. 训练模型

取消注释以下行以开始训练。dataset_prefix='???????' 中的问号部分通常已由脚本预设，代表保存权重的文件前缀，一般无需修改。若已有权重文件，此操作将覆盖原有权重。

train_model(model, DATASET_INDEX, dataset_prefix='???????', epochs=250, batch_size=128)

执行脚本：

python <your_dataset_script>.py

3. 评估模型

训练完成后（或直接使用预训练权重），取消注释以下行以评估模型性能：

evaluate_model(model, DATASET_INDEX, dataset_prefix='???????', batch_size=128)

执行脚本即可输出评估结果。