时间序列预测：如何使用已训练保存模型预测未来24小时数据？

参考Hvass-Labs TensorFlow时间序列预测教程完成自有数据的模型训练后，直接执行y_pred = model.predict(past_dataset)得到的结果是模型对历史输入段的拟合值（即示意图中与历史灰线走势贴合的红线），无法直接输出2022-06-06全天的未来24小时预测结果，按以下步骤操作即可得到目标预测值。

• 先确认模型的两个基础参数
  先对齐训练阶段的配置：一是模型要求的输入序列长度（即单次预测需要喂给模型多少个连续历史时间步的数据），二是模型单次输出的预测步长（如果是直接预测24小时则步长为24，对应1小时粒度的全天数据；如果是单步预测则每次仅输出1个时间步的结果）。
• 构造预测用的输入序列
  取距离预测起点最近、长度等于模型输入要求的连续历史数据，做和训练阶段完全一致的预处理：包括缺失值填充、归一化/标准化、特征工程，最后reshape成模型要求的输入张量形状（单样本预测的格式一般为[1, 输入序列长度, 特征数量]）。
  举个例子：如果模型要求输入过去168小时（7天）的数据预测未来24小时，你就取2022-05-30 00:00至2022-06-05 24:00的处理后数据作为输入即可，不需要把5月21日开始的全量历史数据都喂进去。
• 执行预测并还原结果
  多步预测模型（单次输出24步）直接调用预测接口即可：

  # last_processed_seq为预处理完成、形状符合要求的输入序列
  y_future = model.predict(last_processed_seq, verbose=0)
  # 对预测结果做反归一化，还原为原始数据的量纲
  y_future_origin_scale = scaler.inverse_transform(y_future.reshape(-1, 1)).flatten()
  

  最终得到的y_future_origin_scale就是2022-06-06 00:00至24:00的全天预测值，按时间顺序对齐即可。
  如果是单步预测模型，需要做滚动迭代预测：每预测1个时间步的结果，就把该结果追加到输入序列末尾、删掉输入序列最头部的1个旧时间步，保持输入序列长度不变，再预测下一个时间步，循环24次即可得到全天结果。注意滚动预测的误差会随步长增加逐步累积。

你之前传入的past_dataset是把整段2022-05-21至2022-06-05的历史数据按滑动窗口规则切分后的数据集，模型对每个滑动窗口输出的是该窗口后紧邻的一段预测值，把所有窗口的预测结果按时间拼接后，就得到了和历史灰线走势贴合的红线，本质是模型在历史数据上的回测拟合效果，不是向外推演的未来预测值。

• 所有预处理、反归一化的逻辑必须和训练阶段完全一致，不能随意更改参数，否则预测结果会完全失真
• 对齐时间轴时注意确认训练时的偏移逻辑：如果输入序列最后一个时间点是t，要确认模型输出的第一个预测点对应t+1还是t，避免时间错位

内容的提问来源于stack exchange，提问作者Dorr