Python中RNN时间序列预测遇SettingWithCopyWarning及预测值异常问题

一、先解决SettingWithCopyWarning警告 #

这个警告的核心原因是test是原DataFrame的切片副本（而非独立的DataFrame对象），直接赋值会存在数据关联风险，甚至可能导致赋值不生效。

解决步骤：

• 创建test时显式生成独立副本，替换原来的切片代码：

  # 比如原代码是 test = df.iloc[train_size:]
  test = df.iloc[train_size:].copy()
  

• 如果已经生成了test，也可以重新转为副本后再赋值：

  test = test.copy()
  test['Predictions'] = true_predictions
  

二、排查预测值为直线的问题 #

预测值成直线通常是数据处理、模型输入或预测逻辑出错导致，按以下方向逐一排查：

1. 检查true_predictions的实际数据 #

先打印确认预测结果的形状和内容，判断是不是重复的单个值：

print(true_predictions.shape)
print(true_predictions[:10])

如果所有值都相同，说明预测逻辑或模型输出存在问题。

2. 数据预处理是否规范 #

RNN对数据尺度极度敏感，未做归一化/反归一化是常见问题：

• 训练数据归一化后，测试数据必须用训练集拟合的scaler转换，不能重新拟合：

  # 训练时的归一化
  from sklearn.preprocessing import MinMaxScaler
  scaler = MinMaxScaler(feature_range=(0,1))
  scaled_train = scaler.fit_transform(train['value'].values.reshape(-1,1))
  # 测试数据必须用已拟合的scaler转换
  scaled_test = scaler.transform(test['value'].values.reshape(-1,1))
  

• 预测后必须反归一化还原到原始尺度：

  # 假设模型输出的是归一化后的值
  true_predictions = scaler.inverse_transform(predictions)
  

3. RNN输入形状是否正确 #

RNN要求输入是**(样本数, 时间步, 特征数)**的三维张量，形状错误会导致模型无法学习序列模式：

• 检查序列生成代码，确保最终输入格式正确：

  def create_sequences(data, time_steps=60):
      X, y = [], []
      for i in range(time_steps, len(data)):
          X.append(data[i-time_steps:i, 0])
          y.append(data[i, 0])
      return np.array(X), np.array(y)
  
  # 转换为RNN要求的三维形状
  X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
  X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
  

4. 预测逻辑是否错误（滚动预测问题） #

如果是多步预测，直接用单个测试序列重复预测会导致输出直线，正确的滚动预测需要不断更新输入序列：

• 错误示例（重复单个预测值）：

  # 错误：只用第一个测试序列预测一次，重复填充结果
  predictions = model.predict(X_test[0:1])
  true_predictions = np.repeat(predictions, len(X_test))
  

• 正确的滚动预测逻辑：

  current_input = X_test[0:1]
  true_predictions = []
  for _ in range(len(X_test)):
      pred = model.predict(current_input, verbose=0)[0][0]
      true_predictions.append(pred)
      # 更新输入：移除最旧的时间步，加入新预测值
      current_input = np.roll(current_input, -1, axis=1)
      current_input[0, -1, 0] = pred
  true_predictions = np.array(true_predictions)
  

5. 模型训练是否充分或结构合理 #

• 模型结构太简单：增加LSTM神经元数量或层数，提升模型拟合能力：

  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import LSTM, Dense
  
  model = Sequential()
  model.add(LSTM(50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
  model.add(LSTM(50, return_sequences=False))
  model.add(Dense(25))
  model.add(Dense(1))
  

• 训练参数不足：适当增加epochs，调整batch_size，确保模型收敛：

  model.compile(optimizer='adam', loss='mean_squared_error')
  model.fit(X_train, y_train, batch_size=32, epochs=100)
  

内容的提问来源于stack exchange，提问作者Ify