多变量时间序列LSTM自编码器训练报错：形状不兼容问题求助

问题根源 #

你的错误完全是因为自编码器的目标数据形状和模型输出不匹配：

• 你的LSTM自编码器最后通过TimeDistributed(Dense(4))输出的形状是(batch_size, 4, 4)（对应每个样本的4个时间步、每个时间步4个特征）
• 但你传入的y_train形状是(160573, 4)，这是一个二维张量，两者无法计算MSE损失，所以报了形状不兼容的错误。

核心问题在于：自编码器的任务是重构输入本身，你不需要单独的y_train，应该把输入X_train同时作为训练的目标数据。

解决方案 #

你的模型结构其实已经适配多变量时间序列了——输入形状(timesteps, features)=(4,4)，最后一层也正确用TimeDistributed(Dense(features))来输出每个时间步的多变量特征。只需要修改训练部分的目标数据即可：

修改后的完整代码

import keras

# 模型结构无需改动，本身已支持多变量时间序列
model = keras.Sequential()
model.add(keras.layers.LSTM(
    units=64, input_shape=(X_train.shape[1], X_train.shape[2])
))
model.add(keras.layers.Dropout(rate=0.2))
model.add(keras.layers.RepeatVector(n=X_train.shape[1]))
model.add(keras.layers.LSTM(units=64, return_sequences=True))
model.add(keras.layers.Dropout(rate=0.2))
model.add(
    keras.layers.TimeDistributed(
        keras.layers.Dense(units=X_train.shape[2])
    )
)
model.compile(loss='mse', optimizer='adam')

# 关键修改：将训练目标替换为X_train，自编码器的核心是重构输入
training = model.fit(
    X_train, X_train, epochs=10, batch_size=64, validation_split=0.1, shuffle=False
)

额外说明 #

如果你其实不是要做自编码器，而是想做多变量时间序列预测（比如用前4个时间步的特征，预测某个时间点的4个特征），那你的模型结构需要调整：

• 去掉RepeatVector层
• 把第二个LSTM的return_sequences设为False
• 最后直接用Dense(4)输出单时间步的4个特征
• 这时才能用y_train作为目标数据，代码示例：

model = keras.Sequential()
model.add(keras.layers.LSTM(units=64, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(keras.layers.Dropout(rate=0.2))
model.add(keras.layers.Dense(units=4))
model.compile(loss='mse', optimizer='adam')

training = model.fit(
    X_train, y_train, epochs=10, batch_size=64, validation_split=0.1, shuffle=False
)

但根据你提到的“LSTM自编码器”，第一种修改方案才是正确的适配方式。

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