如何用TimeseriesGenerator生成适配model.predict的预测数据？

问题背景 #

你用TimeseriesGenerator生成训练数据没问题，但用全量数据预测时，因为该API强制要求传入y参数，且容易出现输入形状不匹配的问题，下面是几种直接有效的解决方法：

方法1：手动构造符合模型输入的数组（最直接） #

TimeseriesGenerator本质就是帮你生成**[样本数, 时间步长(n_input), 特征数(n_features)]**形状的输入序列，完全可以手动构造，不用依赖它：

import numpy as np

# 提取输入特征，形状为(总样本数, 特征数)
x_raw = data[data_columns].to_numpy()
# 滑动窗口生成输入序列：每个样本是连续n_input个时间步的特征
x_predict = np.array([x_raw[i:i+n_input] for i in range(len(x_raw) - n_input + 1)])

# 直接喂给模型预测
p = model.predict(x_predict, batch_size=1)

这种方法完全避开了TimeseriesGenerator的y参数限制，而且能清晰控制输入形状，避免形状不匹配问题。

方法2：给TimeseriesGenerator传占位y（凑数即可） #

如果非要用TimeseriesGenerator，只需要传一个和x长度匹配的占位y就行，预测时模型不会用到这个y：

x_raw = data[data_columns].to_numpy()
# 生成和x长度一致的占位y（全0、全1随便填）
y_dummy = np.zeros(len(x_raw))

# 生成器照常初始化，y用占位值
generator = TimeseriesGenerator(x_raw, y_dummy, length=n_input, batch_size=1)
# 直接调用predict，模型会自动取生成器输出的x作为输入
p = model.predict(generator)

方法3：用tf.data.Dataset构建输入管道（TensorFlow生态更灵活） #

如果你的模型是基于TensorFlow的，用tf.data.Dataset构建滑动窗口输入会更灵活，也不需要处理y参数：

import tensorflow as tf

x_raw = data[data_columns].to_numpy()
# 转换为TensorFlow数据集
dataset = tf.data.Dataset.from_tensor_slices(x_raw)
# 滑动窗口：每个窗口包含n_input个时间步，步长为1，丢弃长度不足的窗口
dataset = dataset.window(n_input, shift=1, drop_remainder=True)
# 将窗口转换为连续张量
dataset = dataset.flat_map(lambda window: window.batch(n_input))
# 设置批量大小
dataset = dataset.batch(1)

# 预测
p = model.predict(dataset)

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