如何基于TensorFlow.call()实现时间序列多步平均基线模型

直接给出可运行的MyAverageBaseline类代码，核心逻辑是沿时间轴计算均值并保留维度，再重复指定步数得到预测结果：

import tensorflow as tf

OUT_STEPS = 10  # 替换为你的目标预测步数

class MyAverageBaseline(tf.keras.Model):
    def call(self, inputs):
        # inputs 输入格式: (batch_size, 输入时间步长, 特征数)
        # 沿时间轴（axis=1）计算均值，keepdims=True保留时间维度，得到格式(batch_size, 1, 特征数)
        time_axis_mean = tf.mean(inputs, axis=1, keepdims=True)
        # 将均值重复OUT_STEPS次，沿时间轴扩展，输出格式(batch_size, OUT_STEPS, 特征数)
        return tf.repeat(time_axis_mean, repeats=OUT_STEPS, axis=1)

关键细节说明 #

• 必须设置keepdims=True：如果直接用tf.mean(inputs, axis=1)会丢失时间维度，得到(batch_size, 特征数)的张量，后续无法沿时间轴完成重复操作。
• tf.repeat指定axis=1：确保沿时间轴扩展，输出的时间步数严格匹配OUT_STEPS，和教程中MultiStepLastBaseline、RepeatBaseline的输出格式完全一致。

格式验证示例 #

若输入张量格式为(32, 24, 3)（32个样本、24个输入时间步、3个特征），模型输出格式为(32, 10, 3)，完全符合多步预测的输出要求。

内容的提问来源于stack exchange，提问作者eliasmaxil