CNN-LSTM多变量多步时间序列预测：形状不兼容错误求解

错误根源 #

你遇到的ValueError: Shapes (None, 4) and (None, 1) are incompatible是因为模型输出维度与标签维度不匹配：

• 模型最后一层是Dense(1)，输出形状为(None, 1)（每个样本仅输出1个值）
• 而你的标签y_train/y_val是对应4个特征的预测目标，形状为(None, 4)（单步多变量）或(None, prediction_length, 4)（多步多变量），两者维度无法对齐。

解决方案 #

根据你期望的输出维度(test size * 4 * prediction_length)，说明是多步多变量预测（预测未来prediction_length步的4个特征），分两种方式修正：

方式1：直接输出扁平化的多步多变量结果 #

如果你的标签y_train被处理为扁平化的形状(样本数, prediction_length*4)，直接修改模型最后一层的输出神经元数量：

input_shape = (window_size, 4)
model = Sequential([
    Conv1D(filters=8, kernel_size=1, activation='relu', input_shape=input_shape),
    Conv1D(filters=8, kernel_size=1, activation='relu'),  # 移除重复的input_shape参数
    MaxPooling1D(pool_size=2),
    Bidirectional(LSTM(64, return_sequences=True)),
    Dropout(0.5),
    Bidirectional(LSTM(64)),
    Dense(32, activation='relu'),
    Dense(prediction_length * 4)  # 输出神经元数设为「预测步数×特征数」
])

训练时确保y_train的形状为(样本数, prediction_length*4)，预测后可将输出reshape为目标格式：

predictions = model.predict(X_test)
predictions = predictions.reshape(-1, prediction_length, 4)

方式2：输出三维序列（直接匹配多步标签形状） #

如果你的标签y_train是三维形状(样本数, prediction_length, 4)，调整模型结构以输出序列格式：

input_shape = (window_size, 4)
model = Sequential([
    Conv1D(filters=8, kernel_size=1, activation='relu', input_shape=input_shape),
    Conv1D(filters=8, kernel_size=1, activation='relu'),
    MaxPooling1D(pool_size=2),
    Bidirectional(LSTM(64, return_sequences=True)),
    Dropout(0.5),
    Bidirectional(LSTM(64)),  # 得到单个特征向量
    RepeatVector(prediction_length),  # 将向量复制为预测步数长度的序列
    Bidirectional(LSTM(64, return_sequences=True)),
    TimeDistributed(Dense(32, activation='relu')),  # 对每个时间步单独处理
    TimeDistributed(Dense(4))  # 每个时间步输出4个特征
])

额外注意事项 #

• 原模型中第二个Conv1D的input_shape参数是重复定义，已移除，该参数只需在第一层指定。
• 确认训练数据维度：X_train应为(样本数, window_size, 4)，y_train需对应调整为上述两种形状之一。

内容的提问来源于stack exchange，提问作者Mouna Ahmen