如何向Keras模型输入滑动窗口式多列序列数据？

问题背景 #

手里有个形状为(128, 47088)的NumPy数组，需要用滑动窗口的方式喂给模型：比如先取第0-4列（总共640条数据）作为一个输入样本，下一次取第1-5列，以此类推。之前试了GRU、LSTM和Flatten层都没成功，想知道是要提前预处理数据，还是能在模型内部完成这种数据重塑？

原训练代码参考：

# np_input 是形状为(128, 47088)的NumPy数组
model = keras.Sequential([
    keras.Input(shape=(128,)),
    keras.layers.Dense(1024, activation='relu', kernel_regularizer='l2'),
    keras.layers.Dense(1024, activation='relu', kernel_regularizer='l2'),
    keras.layers.Dense(1024, activation='relu', kernel_regularizer='l2'),
    keras.layers.Dense(np_output.shape[0], activation='sigmoid'),
])
model.compile(optimizer=keras.optimizers.Adam(learning_rate=0.0001), loss='mean_squared_error', metrics=['acc', 'mse'], run_eagerly=True)
model.summary()

# 按轴1划分训练测试集，所以先转置输入数据
X_train, X_test, y_train, y_test = train_test_split(np_input.T, np_output.T, test_size=0.2, shuffle=False, random_state=None)

hist = model.fit(X_train, y_train, epochs=100, verbose=2, batch_size=2048, use_multiprocessing=True, validation_data=(X_test, y_test), callbacks=callbacks )

两种可行方案 #

方案一：提前预处理数据（更推荐） #

滑动窗口逻辑在预处理阶段实现更直观，调试起来也简单，不会和模型层的逻辑混在一起。具体步骤如下：

1. 确定窗口参数：比如你需要的窗口大小是5（每次取5列），滑动步长是1（每次移动1列）。
2. 将原始数组转换成(样本数, 窗口大小, 特征数)的格式——这是LSTM/GRU要求的输入形状(batch_size, timesteps, features)。

代码示例：

import numpy as np
from sklearn.model_selection import train_test_split
import keras

# 模拟原始输入和标签
np_input = np.random.rand(128, 47088)  # (特征数, 时序步数)
np_output = np.random.rand(1, 47088)    # 假设标签和每一步输入对应

window_size = 5
step = 1

# 计算能生成的样本总数
num_samples = np_input.shape[1] - window_size + 1

# 生成滑动窗口样本
X_windowed = np.zeros((num_samples, window_size, 128))
for i in range(num_samples):
    # 截取i到i+window_size的列，转置后变成(window_size, 128)的形状
    X_windowed[i] = np_input[:, i:i+window_size].T

# 处理标签：通常标签对应窗口最后一个时间步的输出，所以取从第window_size-1列开始的所有标签
y_windowed = np_output[:, window_size-1:].T

# 划分训练测试集（时序数据别打乱）
X_train, X_test, y_train, y_test = train_test_split(X_windowed, y_windowed, test_size=0.2, shuffle=False)

# 构建带GRU的模型
model = keras.Sequential([
    keras.Input(shape=(window_size, 128)),  # 输入形状(窗口大小, 特征数)
    keras.layers.GRU(256, kernel_regularizer='l2'),
    keras.layers.Dense(1024, activation='relu', kernel_regularizer='l2'),
    keras.layers.Dense(np_output.shape[0], activation='sigmoid'),
])
model.compile(optimizer=keras.optimizers.Adam(learning_rate=0.0001), loss='mean_squared_error', metrics=['acc', 'mse'])
model.summary()

# 启动训练
hist = model.fit(X_train, y_train, epochs=100, verbose=2, batch_size=2048, validation_data=(X_test, y_test))

方案二：在模型内部实现滑动窗口（用Lambda层） #

如果一定要在模型里处理，可以用TensorFlow的tf.sliding_window_view结合Lambda层实现，但这种方式会增加模型复杂度，调试难度更高，只适合特定场景。

代码示例：

import tensorflow as tf
import keras

window_size = 5

model = keras.Sequential([
    # 输入完整的时序序列，形状(特征数, 时序长度)
    keras.Input(shape=(128, None)),
    # 转置成(批量, 时序长度, 特征数)，适配滑动窗口函数
    keras.layers.Lambda(lambda x: tf.transpose(x, perm=[0, 2, 1])),
    # 生成滑动窗口，输出形状(批量, 样本数, 窗口大小, 特征数)
    keras.layers.Lambda(lambda x: tf.sliding_window_view(x, window_size, axis=1)),
    # 把窗口内的特征展平，或者直接喂给GRU（根据需求调整）
    keras.layers.Reshape((-1, window_size * 128)),
    keras.layers.GRU(256, kernel_regularizer='l2'),
    keras.layers.Dense(1024, activation='relu', kernel_regularizer='l2'),
    keras.layers.Dense(np_output.shape[0], activation='sigmoid'),
])

注意：这种方式需要喂入完整的时序序列，而不是单个样本，所以数据加载逻辑要对应调整，灵活性不如预处理方案。

之前失败的原因 #

你之前的模型输入形状是(128,)，这只是单个样本的特征数，没有包含时序维度。而GRU/LSTM要求输入必须带有时间步维度（即形状为(timesteps, features)），所以直接用原数据格式喂入肯定会失败。不管用哪种方案，核心都是要把数据转换成包含窗口时间步的形状。

内容的提问来源于stack exchange，提问作者Leandro