去噪自编码器输入维度能否为n*1？功率数据reshape训练咨询

技术上只要模型输入层维度匹配，(5760,1,1)的形状可以跑通训练流程，但完全不建议这么做，训练出来的模型基本不具备实用价值。 #

• 你之前处理5分钟粒度数据的reshape逻辑是合理的：总样本数1152、单样本时间步长5，1152*5刚好和4天1分钟采样的总数据量5760对齐，本质是把连续5个1分钟点打包为一个时序样本，保留了短时间内的功率变化关联。
• 把1分钟数据reshape为(5760,1,1)的核心问题是完全打碎了时序依赖：这个形状等价于每个样本只有1个孤立的功率单点，没有任何前后时间步的关联信息。功率数据本身是强时序连续数据，还存在小时、天级别的周期规律，单点输入下自编码器根本学不到有效的时序特征，不管是去噪还是功率分解的效果都会极差。
• 正确的1分钟数据reshape思路应该延续你处理5分钟数据的逻辑：先选定合适的时间窗口长度（比如选30、60、120甚至1440个时间步，对应30分钟、1小时、2小时、1天的连续序列），把连续N个采样点打包为一个时序样本，最终reshape为(样本数, N, 1)即可，只要三个维度的乘积和原始数据总长度一致就不会出现维度报错。

你当前写的reshape实现代码如下：

# Using 5min data  
x_train = x_train.reshape((1152,5,1))
y_train = y_train.reshape((1152,5,1))
y_test = y_test.reshape((864,5,1))
x_test = x_test.reshape((864,5,1))
# Using 1min data  
x_train = x_train.reshape((5760,1,1))
y_train = y_train.reshape((5760,1,1))
y_test = y_test.reshape((4320,1,1))
x_test = x_test.reshape((4320,1,1))

额外提醒：如果用单点输入，你的去噪自编码器本质退化成了普通的全连接点映射模型，完全浪费了1分钟高采样率数据的时序价值。

内容的提问来源于stack exchange，提问作者Tiffany