Python边缘服务器负载预测代码报错：矩阵乘法维度不匹配

错误根源 #

执行model = np.linalg.inv(X.T @ X) @ X.T @ y时出现维度不匹配，核心原因是：

• 代码中future_resources = resource_array[i:i+prediction_horizon]的切片长度会在i接近num_steps时变短。当i + prediction_horizon > num_steps（比如i=91，num_steps=100，prediction_horizon=10），切片结果长度为100-91=9，而X是固定长度为10的数组（np.arange(prediction_horizon)）。
• 此时y的行数为9，X的行数为10，矩阵乘法要求X.T的列数与y的行数必须一致，两者不匹配导致报错。

修复方案 #

核心目标是确保预测时future_resources的长度始终等于prediction_horizon，以下两种方案均可解决问题：

方案1：拆分填充与预测逻辑（更清晰） #

先完整填充资源数组，再单独处理预测，避免切片越界：

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(42)

def edge_resources(t):
    return 100*np.exp(-0.01*t)

num_steps = 100
time_step = 0.1
prediction_horizon = 10

resource_array = np.zeros(num_steps)
prediction_array = np.zeros(num_steps - prediction_horizon)

# 先填充所有时间步的资源数据
for i in range(num_steps):
    t = i*time_step
    resource_array[i] = edge_resources(t)

# 仅在有足够未来数据时执行预测
for i in range(prediction_horizon, num_steps - prediction_horizon + 1):
    future_resources = resource_array[i:i+prediction_horizon]
    
    X = np.arange(prediction_horizon).reshape(-1, 1)
    y = future_resources.reshape(-1, 1)
    model = np.linalg.inv(X.T @ X) @ X.T @ y
    
    prediction_array[i-prediction_horizon] = model[0, 0]

# 绘制结果
plt.plot(np.arange(num_steps)*time_step, resource_array, label='Edge Resources')
plt.plot(np.arange(prediction_horizon, num_steps - prediction_horizon + 1)*time_step, 
         prediction_array[:len(np.arange(prediction_horizon, num_steps - prediction_horizon + 1))], 
         label='Prediction')
plt.legend()
plt.xlabel('Time (s)')
plt.ylabel('Edge Resources')
plt.show()

方案2：调整原循环的判断条件 #

在原循环中新增判断，仅当存在足够未来数据时执行预测：

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(42)

def edge_resources(t):
    return 100*np.exp(-0.01*t)

num_steps = 100
time_step = 0.1
prediction_horizon = 10

resource_array = np.zeros(num_steps)
prediction_array = np.zeros(num_steps - prediction_horizon)

for i in range(num_steps):
    t = i*time_step
    resource_array[i] = edge_resources(t)
    
    # 仅当有足够历史和未来数据时预测
    if i >= prediction_horizon and i + prediction_horizon <= num_steps:
        future_resources = resource_array[i:i+prediction_horizon]
        
        X = np.arange(prediction_horizon).reshape(-1, 1)
        y = future_resources.reshape(-1, 1)
        model = np.linalg.inv(X.T @ X) @ X.T @ y
        
        prediction_array[i-prediction_horizon] = model[0, 0]

# 绘制结果
plt.plot(np.arange(num_steps)*time_step, resource_array, label='Edge Resources')
plt.plot(np.arange(prediction_horizon, num_steps - prediction_horizon + 1)*time_step, 
         prediction_array[:len(np.arange(prediction_horizon, num_steps - prediction_horizon + 1))], 
         label='Prediction')
plt.legend()
plt.xlabel('Time (s)')
plt.ylabel('Edge Resources')
plt.show()

额外优化提示 #

• 推荐使用np.linalg.lstsq代替手动求逆计算线性回归参数，更稳定且能避免矩阵不可逆问题：

  model, _, _, _ = np.linalg.lstsq(X, y, rcond=None)
  

• 原代码中past_resources变量未被使用，可根据实际需求用其构建特征X，提升预测合理性。

内容的提问来源于stack exchange，提问作者user13238656