LSTM时间序列预测报错：'NoneType'不可下标，请求排查

以下是针对你遇到的TypeError: 'NoneType'对象不可下标错误的具体排查方向：

• 检查input_sequence的形状是否匹配模型输入要求
  LSTM训练时的输入形状为(样本数, 时间步长, 特征数)，也就是(batch_size, sequence_length, n_features)。你设置了sequence_length=12，预测时的input_sequence必须满足：

  • 保持三维形状，单样本预测时应为(1, 12, n_features)（batch_size=1）
  • 即使是单变量时间序列，也不能传入(12,)或(1,12)这类二维/一维数组，必须保留特征维度。
    可以用print(input_sequence.shape)确认形状，不符合的话用numpy.expand_dims()调整，示例：

  import numpy as np
  # 假设原序列是(12,)的单特征数组，转为(1,12,1)
  input_sequence = np.expand_dims(input_sequence, axis=(0, 2))
  

• 确认input_sequence未在循环中变为None
  报错中的NoneType说明循环预测过程中，input_sequence可能被错误赋值为None。检查循环逻辑：

  • 每次预测后更新序列时，是否漏写了赋值语句？比如拼接新预测值后是否正确赋值给input_sequence？
  • 在循环中加入打印语句，追踪每一步的序列状态：

  for step in range(pred_years * 12):
      print(f"预测步{step}: input_sequence状态: {input_sequence.shape if input_sequence is not None else 'None'}")
      pred = model.predict(input_sequence, verbose=0)
      # 后续更新input_sequence的代码
  

• 核对模型输入层定义与预测输入的匹配性
  查看模型输入层是否明确指定了形状，比如：

  from tensorflow.keras.layers import Input, LSTM
  # 必须明确时间步长和特征数，与训练时的sequence_length一致
  input_layer = Input(shape=(12, n_features))
  lstm_layer = LSTM(64)(input_layer)
  

  如果输入层定义为Input(shape=(None, n_features))，训练时没问题，但预测时输入维度不明确可能触发形状未知的错误。

• 确保input_sequence的数据类型与训练数据一致
  训练时用的是float32还是float64？预测时input_sequence的数据类型必须和训练集完全一致。用input_sequence.dtype查看，不一致则转换类型：

  input_sequence = input_sequence.astype(np.float32)
  

• 检查循环预测时的序列更新逻辑
  每次预测后，需要将新预测值加入序列，同时移除最旧的一个时间步，保持序列长度为12。错误的更新逻辑会导致形状异常，正确示例（单特征场景）：

  # 初始input_sequence形状为(1,12,1)
  pred = model.predict(input_sequence, verbose=0)
  # 去掉第一个时间步，拼接新预测值（需reshape为(1,1,1)）
  input_sequence = np.concatenate([input_sequence[:,1:,:], pred.reshape(1,1,1)], axis=1)
  

内容的提问来源于stack exchange，提问作者Udith Kanchana