如何修复model.predict报错ValueError: Expected input data to be non-empty？

问题代码 #

生成测试集的代码：

x_test = []
y_test = dataset[training_data_len:, :]
for i in range (60,len(test_data)):
    x_test.append(test_data[i - 60 :i, 0])

x_test = np.array(x_test)
x_test = np.reshape(x_test , (x_test.shape[0] ,x_test.shape[1],1))

执行预测时触发错误：

predictions = model.predict(x_test)
predictions = scaler.inverse_transform(predictions)

错误信息 #

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
Cell In[26], line 1
----> 1 predictions = model.predict(x_test)
      2 predictions = scaler.inverse_transform(predictions)

File c:\Users\hemic\AppData\Local\Programs\Python\Python311\Lib\site-packages\keras\src\utils\traceback_utils.py:70, in filter_traceback.<locals>.error_handler(*args, **kwargs)
     67     filtered_tb = _process_traceback_frames(e.__traceback__)
     68     # To get the full stack trace, call:
     69     # `tf.debugging.disable_traceback_filtering()`
---&gt; 70     raise e.with_traceback(filtered_tb) from None
     71 finally:
     72     del filtered_tb

File c:\Users\hemic\AppData\Local\Programs\Python\Python311\Lib\site-packages\keras\src\engine\data_adapter.py:1319, in DataHandler.__init__(self, x, y, sample_weight, batch_size, steps_per_epoch, initial_epoch, epochs, shuffle, class_weight, max_queue_size, workers, use_multiprocessing, model, steps_per_execution, distribute, pss_evaluation_shards)
   1314 self._configure_dataset_and_inferred_steps(
   1315     strategy, x, steps_per_epoch, class_weight, distribute
   1316 )
   1318 if self._inferred_steps == 0:
-&gt; 1319     raise ValueError("Expected input data to be non-empty.")

错误原因 #

核心问题是x_test为空数组：你的循环从range(60, len(test_data))开始执行，如果len(test_data) ≤ 60，循环不会运行，x_test始终是空列表，转成numpy数组后没有任何数据，模型自然无法进行预测。

解决步骤 #

1. 确认test_data长度：在生成x_test前添加代码打印长度，验证数据量是否足够：

   print("test_data长度:", len(test_data))
   

   若输出结果≤60，即可确认是数据长度不足导致的问题。

2. 调整窗口大小：把循环中的60改为更小的数值，只要保证len(test_data) > 窗口大小即可，示例：

   window_size = 30  # 根据test_data实际长度调整
   for i in range(window_size, len(test_data)):
       x_test.append(test_data[i - window_size :i, 0])
   

3. 检查数据集分割逻辑：确认training_data_len的计算是否合理，是否将绝大多数数据划给了训练集，导致测试集剩余数据过少。可以调整训练集与测试集的分割比例（比如8:2），保证测试集有足够的数据量。

内容的提问来源于stack exchange，提问作者leone