如何在多变量LSTM销售预测中利用未来已知特征数据？

针对你已用150天数据构建多变量LSTM，但需加入明日已知特征（工作日=1、节假日=1、降雨）做预测的需求，可按以下步骤调整：

1. 重构训练样本结构 #

现有LSTM可能仅用历史时序数据（过去N天的特征+销售额）预测下一日销售额，现在需要把目标日的已知特征纳入训练输入，让模型学习“历史趋势+未来已知条件”与销售额的关联：

• 定义时序窗口大小（比如7天，可根据数据调整），每个训练样本包含：
  • 过去N天的完整时序数据：[[Weekday_t-N, Holiday_t-N, Weather_encoded_t-N, Sales_t-N], ..., [Weekday_t-1, Holiday_t-1, Weather_encoded_t-1, Sales_t-1]]
  • 目标日t的已知特征：[Weekday_t, Holiday_t, Weather_encoded_t]
• 将这两部分数据组合后作为模型输入，目标输出为Sales_t

2. 预处理分类特征 #

数据中Weather是分类变量（Rainy/Sunny/Cloudy），需转为数值型：

• 独热编码（适合无顺序分类）：

  import pandas as pd
  df = pd.get_dummies(df, columns=['Weather'], drop_first=True)
  

• 标签编码（适合有顺序分类，比如天气对销售额影响有强弱）：

  from sklearn.preprocessing import LabelEncoder
  le = LabelEncoder()
  df['Weather'] = le.fit_transform(df['Weather'])
  

注意：预测明日天气时，必须使用和训练时一致的编码规则转换（比如Rainy对应0，就用0输入）

3. 调整LSTM模型结构 #

采用双分支输入结构，分别处理时序数据和未来已知特征：

from keras.models import Model
from keras.layers import LSTM, Dense, Input, Concatenate

# 分支1：处理历史时序数据
timesteps = 7  # 过去7天的数据
n_features = 4  # 历史数据特征数：Weekday+Holiday+Weather_encoded+Sales
seq_input = Input(shape=(timesteps, n_features))
lstm_out = LSTM(64, activation='relu')(seq_input)

# 分支2：处理目标日的已知特征
future_features_input = Input(shape=(3,))  # Weekday+Holiday+Weather_encoded
dense_future = Dense(32, activation='relu')(future_features_input)

# 拼接两个分支的输出
combined = Concatenate()([lstm_out, dense_future])
final_out = Dense(1)(combined)

# 构建并编译模型
model = Model(inputs=[seq_input, future_features_input], outputs=final_out)
model.compile(optimizer='adam', loss='mse')

4. 明日预测的具体操作 #

当预测明日销售额时：

1. 提取最近N天的历史数据（比如最近7天的Weekday、Holiday、编码后的Weather、Sales），整理成形状为(1, timesteps, n_features)的时序输入
2. 将明日的已知特征转换为数值型（比如Weekday=1, Holiday=1, Weather=Rainy编码后的值），整理成形状为(1, 3)的特征输入
3. 用模型预测：

   # 假设seq_data是预处理后的最近7天时序数据，future_data是明日的特征数据
   predicted_sales = model.predict([seq_data, future_data])
   

关键注意事项 #

• 训练时的特征预处理规则（编码、归一化）必须和预测时完全一致，比如如果训练时对Sales做了归一化，预测后要反归一化得到真实销售额
• 可尝试调整时序窗口大小、LSTM层神经元数量，优化模型预测效果

内容的提问来源于stack exchange，提问作者K.Doruk