如何子类化Keras.Model实现多输入列的自回归LSTM预测模型？

核心逻辑梳理 #

你的场景核心是结合历史负荷+未来气象做24小时自回归预测，和教程的单输入场景不同，必须在每一步预测中加入对应时刻的已知气象数据。下面从模型子类化、数据构造、训练关联三个部分拆解：

1. 子类化Keras.Model适配多输入 #

针对你的11列气象+1列负荷数据，模型需要接收两个输入：历史窗口（2小时的气象+负荷）、未来24小时气象序列。以下是完整实现：

import tensorflow as tf

class LoadForecastFeedback(tf.keras.Model):
    def __init__(self, out_steps, history_features=12, meteor_features=11):
        super().__init__()
        self.out_steps = out_steps
        # 暖身层：处理历史窗口，输出初始预测和LSTM状态
        self.warmup = tf.keras.Sequential([
            tf.keras.layers.LSTM(64, return_state=True),
            tf.keras.layers.Dense(1)  # 输出初始负荷预测
        ])
        # 循环预测用的LSTM单元和输出层
        self.lstm_cell = tf.keras.layers.LSTMCell(64)
        self.dense = tf.keras.layers.Dense(1)

    def call(self, inputs, training=None):
        # inputs是元组：(历史窗口, 未来气象序列)
        history_window, future_meteor = inputs
        
        # 暖身阶段：用历史窗口初始化LSTM状态和第一个预测值
        initial_pred, state_h, state_c = self.warmup(history_window)
        state = [state_h, state_c]
        predictions = [initial_pred]

        # 循环生成剩余23个预测值（总步数24）
        for n in range(1, self.out_steps):
            # 取当前时刻的未来气象数据
            current_meteor = future_meteor[:, n:n+1, :]
            # 把上一步预测的负荷扩展维度，和气象数据拼接
            prev_pred = tf.expand_dims(predictions[-1], axis=1)
            x = tf.concat([current_meteor, prev_pred], axis=-1)
            
            # 用LSTM单元计算下一步状态和输出
            lstm_output, state = self.lstm_cell(x, states=state, training=training)
            # 生成当前时刻的负荷预测
            current_pred = self.dense(lstm_output)
            predictions.append(current_pred)

        # 整理预测结果维度：(batch_size, 24, 1)，和目标序列对齐
        predictions = tf.stack(predictions)
        predictions = tf.transpose(predictions, [1, 0, 2])
        return predictions

2. 训练数据集构造 #

用timeseries_dataset_from_array或手动构造数据集时，必须让每个样本的输入和目标严格对应：

• 输入：(2小时历史[气象+负荷], 24小时未来气象)
• 目标：24小时未来负荷

示例代码：

import pandas as pd

# 假设你的数据是DataFrame，列顺序为['load', 'meteor1', ..., 'meteor11']
df = pd.read_csv('your_data.csv')
data = df.values

history_len = 2
out_steps = 24

# 构造训练样本
input_history = []
input_future_meteor = []
targets = []

for i in range(len(data) - history_len - out_steps + 1):
    # 历史窗口：i到i+history_len-1的所有特征（负荷+气象）
    history = data[i:i+history_len, :]
    # 未来气象：i+history_len到i+history_len+out_steps-1的气象特征
    future_meteor = data[i+history_len:i+history_len+out_steps, 1:]
    # 目标：未来24小时的负荷
    target = data[i+history_len:i+history_len+out_steps, 0:1]
    
    input_history.append(history)
    input_future_meteor.append(future_meteor)
    targets.append(target)

# 转成TensorFlow数据集
dataset_train = tf.data.Dataset.from_tensor_slices(
    ((tf.convert_to_tensor(input_history, tf.float32), 
      tf.convert_to_tensor(input_future_meteor, tf.float32)), 
     tf.convert_to_tensor(targets, tf.float32))
)
dataset_train = dataset_train.batch(32).shuffle(1000)

3. 训练与call方法的关联逻辑 #

你之前的困惑点在于训练时数据集如何和call方法交互：

1. model.fit会自动遍历数据集，把每个batch的输入传给call的inputs参数
2. 暖身阶段用历史窗口学习历史数据的特征模式，输出第一个预测值和LSTM初始状态
3. 循环预测时，每一步都结合已知的未来气象和上一步的负荷预测作为输入，让模型学习两者的关联关系
4. 模型输出的24小时预测序列会和目标序列计算损失（如MSE），反向传播更新所有层的参数

关键注意事项 #

• 必须对所有特征做标准化处理（如StandardScaler），避免气象和负荷数值差异导致模型收敛困难
• 暖身层和LSTM单元的神经元数量可根据数据规模调整，建议从64/128开始测试
• 预测阶段只需传入最新2小时的[负荷+气象]和未来24小时气象，模型会自动完成自回归预测

内容的提问来源于stack exchange，提问作者hcollins