如何训练具有不同长度的多变量输入的LSTM？

我正试图根据检测到跌倒的传感器数据来训练Keras LSTM模型。

在一个数据帧中都有多个试验，每个试验框架包含不同长度的时间序列，并带有感官数据（X轴，Y轴和Z轴），因此每个试验的输出如下：

[[1,4,7],[1,5,3],[5,2,[7,5],[9,2].......]

但是我找不到一种处理输入长度变化的方法。输出必须为一维。只是跌倒还是跌倒。该怎么做？

如doc所述，Keras LSTM接受输入[批，时间步，特征]。据我了解，您有3个要素（列）和行作为数据流（时间序列，顺序）。因此，输入尺寸取决于您的配置。例如：

features = 3
timesteps = 20
batch = 1

此配置意味着LSTM输入具有20个时间步的3个特征，它每20行包含3个特征。因此，如果您具有2D数据框，则必须将其重塑为3D。

假设您有一个熊猫数据框，其中包含100个时间步长和3个特征（100,3）：您可以将其重塑为3D形状，例如：

data = np.array(data).reshape(-1,20,3)

因此，新数据形状为（5,3）