TensorFlow Keras LSTM单股票预测报错：Empty batch_outputs问题求助

问题根源 #

LSTM模型要求输入数据为三维张量：(样本数, 时间步长, 特征数)。当你传入单只股票的Series时，生成的训练数据大概率是二维数组（缺少特征维度），模型无法正确处理批次数据，进而触发Empty batch_outputs错误。多只股票的DataFrame因包含多个特征列，天然满足三维输入要求（特征数=股票数量），所以能正常运行。

具体解决步骤 #

1. 转换单股票数据为二维DataFrame
   把单只股票的Series包装成仅含一列的DataFrame，保留特征维度：

   # 假设ctsh_series是你的单只股票价格Series
   ctsh_df = pd.DataFrame(ctsh_series, columns=['Close'])
   

2. 确保训练数据是三维张量
   在生成序列数据的函数中，保证输出的X为三维结构。若生成的是二维数组，手动添加特征维度：

   def create_sequences(data, time_steps=5):
       X, y = [], []
       for i in range(len(data) - time_steps):
           X.append(data.iloc[i:i+time_steps].values)
           y.append(data.iloc[i+time_steps]['Close'])
       # 转换为三维数组：(样本数, 时间步长, 特征数)
       return np.array(X), np.array(y)
   
   X, y = create_sequences(ctsh_df)
   # 验证形状，应类似 (n_samples, 5, 1)
   print(X.shape)
   

3. 匹配模型输入层的shape
   定义模型时，输入层的input_shape要对应单只股票的特征数（此处为1）：

   from tensorflow.keras.models import Sequential
   from tensorflow.keras.layers import LSTM, Dense
   
   time_steps = 5
   model = Sequential()
   # 输入形状为(时间步长, 特征数)
   model.add(LSTM(50, input_shape=(time_steps, 1)))
   model.add(Dense(1))
   model.compile(optimizer='adam', loss='mse')
   

4. 预测时保持输入形状一致
   预测前需将测试数据调整为三维结构：

   # 取最后time_steps个数据作为测试输入
   test_input = ctsh_df.iloc[-time_steps:].values.reshape(1, time_steps, 1)
   prediction = model.predict(test_input)
   

额外检查点 #

• 确认训练数据无空值或异常值，避免生成无效空批次。
• 若之前用多股票数据训练过模型，需重新初始化模型（因输入维度已改变）。

内容的提问来源于stack exchange，提问作者custardbun