ConvLSTM比特币价格预测模型输入输出维度异常问题排查

问题根源 #

1. 输入维度必须匹配的原因 #

你在定义模型时写死了InputLayer(input_shape=(111,32,1))，Keras静态计算图构建完成后，输入的时间步长度、特征数、通道数就被固定，再加上你用了Flatten层，该层会把输入的所有维度压平为固定长度的向量，和后续全连接层的权重维度强绑定，一旦测试输入的时间步不是111，压平后的向量维度就会和全连接层要求的维度不匹配，自然会报错。并不是所有深度学习模型都支持可变输入维度，是否支持完全取决于模型的层结构。

2. 仅返回10个预测结果的原因 #

你代码中的RepeatVector(5)层会把前面Flatten输出的向量重复5次，搭配后续return_sequences=True的LSTM层、TimeDistributed封装的全连接层，最终模型的输出维度固定为(样本数, 5, 1)，也就是每输入一段111天的特征，只会输出未来5天的预测值。你调用了两次predict，每次返回5个结果，加起来总共就是10个，自然凑不够136个要求的预测值。

解决方法 #

1. 调整预测逻辑适配多步输出 #

你当前的模型属于「输入N天历史数据，输出未来K天预测值」的多步预测架构，要得到136个预测值，需要用滑动窗口处理测试集：每次取连续111天的测试特征作为输入，预测接下来5天的价格，之后窗口向后滑动5天，重复预测，直到拼接的预测结果覆盖全部136个待预测时段即可。

2. 可选：修改模型支持可变输入长度 #

如果不想固定输入的时间步长度，可以把输入层改为InputLayer(input_shape=(None,32,1))，同时删掉Flatten层，替换为全局池化层（比如GlobalAveragePooling2D）适配可变长度的输入，避免维度绑定。

3. 修复训练侧的隐藏问题 #

• 测试集的归一化缩放器必须用训练集拟合得到的scaler，不能单独对测试集调用fit_transform，否则会导致训练测试数据分布不一致，预测结果完全失效。
• 你当前逐段对分割数据集调用fit的方式会让模型遗忘之前学习到的历史特征，建议把所有分割的训练数据拼接为(样本数, 111, 32, 1)格式的批量数据集，用小批量方式训练，效果会更好。

4. 维度排查通用技巧 #

每次构建完模型后打印model.summary()，核对每一层的输入输出维度，就能提前发现输出步长不符合预期的问题；每次预测前核对测试输入的维度，除了batch维度之外，其余维度必须和训练输入的维度完全一致。

内容的提问来源于stack exchange，提问作者Centauri_42