Keras LSTM时间序列回溯预测：输入形状不匹配问题求助

一、输入形状问题排查与修正 #

LSTM要求输入为**(batch_size, timesteps, features)**的3D张量，你当前的2D输入(batch size, inputs)完全不符合要求，必须严格对齐训练阶段的维度逻辑：

1. 核心错误点
   不要直接将单条2D数据强行reshape为(1,24,10)——这会把10个特征错误拆分为24个时间步，完全违背时序数据的逻辑。正确的输入应该是包含24个连续时间步、每个时间步10个特征的序列。

2. 正确维度转换代码

   • 单样本预测：若你的原始输入是24个时间步的特征序列（形状(24,10)），转换为模型要求的格式：

     # 原始输入：24步，每步10个特征
     input_data = raw_input.reshape(1, 24, 10)  # 补batch维度，最终形状(1,24,10)
     

   • 批量预测：若有N个回溯样本，每个样本是24步10特征的序列：

     input_data = raw_input.reshape(N, 24, 10)
     

二、回溯预测实现（处理NaN目标变量） #

仅用3年数据预测40年属于多步时序预测，针对目标变量Return、Supply为NaN的情况，采用递归预测逻辑：

1. 递归预测核心流程

   • 用训练数据的最后24步作为起始输入序列
   • 每次预测出下一个时间步的Return、Supply
   • 将预测结果补充到输入序列末尾，同时丢弃最前面的时间步，循环执行直到完成40年的预测

2. 代码示例（含NaN处理）

   import numpy as np
   import tensorflow as tf
   
   # 假设model是训练完成的LSTM模型，输入形状(None,24,10)，输出为(Return, Supply)两个值
   # 初始化起始输入：取训练数据最后24步，转换为模型要求的格式
   current_input = train_data[-24:].reshape(1, 24, 10)
   predictions = []
   
   # 按时间粒度计算总预测步数：假设每年12个时间步，40年共480步
   total_steps = 40 * 12
   
   for _ in range(total_steps):
       # 预测当前输入对应的下一个时间步结果
       pred = model.predict(current_input, verbose=0)
       predictions.append(pred[0])
       
       # 构造新的时间步特征：填充预测的Return、Supply，其他特征用前一步值补全
       new_step = np.zeros((1, 1, 10))
       new_step[0, 0, -2:] = pred  # 假设输入特征最后两位是Return、Supply
       new_step[0, 0, :-2] = current_input[0, -1, :-2]  # 其他特征沿用前一步数据
       
       # 更新输入序列：去掉最旧的1步，加入新预测的步
       current_input = np.concatenate([current_input[:, 1:, :], new_step], axis=1)
   
   # 将预测结果转为数组
   predictions = np.array(predictions)
   

   注：若输入特征存在NaN，需先做填充处理（前向填充、均值填充均可），LSTM无法处理含NaN的输入数据。

三、形状不匹配报错快速排查 #

若仍报维度错误，按以下步骤验证：

• 执行model.summary()，确认输入层定义（比如Input(shape=(24,10))）
• 打印输入数据形状：print(input_data.shape)，确保与输入层要求的(batch_size,24,10)完全一致
• 若输入无batch维度，用np.expand_dims(input_data, axis=0)补充，避免遗漏维度

内容的提问来源于stack exchange，提问作者ronaldhoward33