如何构建符合指定输入输出形状的TensorFlow时间序列预测模型

适配方案说明 #

你需要调整模型的编解码结构，实现从过去10步输入到未来10步输出的映射，核心通过RepeatVector层完成时间步长度的匹配，具体修改如下：

核心修改逻辑 #

• 把原有第二层LSTM的return_sequences参数改为False，得到输入序列编码后的全局特征向量
• 新增RepeatVector(N_FUTURE)层，将全局特征向量复制为10份，匹配输出要求的10个时间步长度
• 新增一层LSTM作为解码器，设置return_sequences=True，对每个时间步的特征做解码
• 后续Dense层会自动作用在每个时间步上，输出对应时间步的预测值

修改后完整可运行代码 #

import tensorflow as tf

BATCH_SIZE = 32  # 建议不要修改该参数
N_PAST = 10  # 请勿修改该参数
N_FUTURE = 10  # 请勿修改该参数
SHIFT = 1 
N_FEATURES = 1 # 补充缺失的特征数定义

model = tf.keras.models.Sequential([
        # 编码器部分：处理过去10步输入
        tf.keras.layers.Conv1D(filters=32, kernel_size=5,
                               strides=1, padding="causal",
                               activation="relu",
                               input_shape=[N_PAST, N_FEATURES]), # 固定输入形状匹配你的要求
        tf.keras.layers.LSTM(64, return_sequences=True),
        tf.keras.layers.LSTM(64, return_sequences=False), # 关闭返回序列，得到全局编码向量
        
        # 适配输出时间步的核心层
        tf.keras.layers.RepeatVector(N_FUTURE), # 复制为10个时间步，匹配输出长度要求
        
        # 解码器部分：生成未来10步输出
        tf.keras.layers.LSTM(64, return_sequences=True), # 必须开启返回序列
        tf.keras.layers.Dense(30, activation="relu"),
        tf.keras.layers.Dense(10, activation="relu"),
        tf.keras.layers.Dense(N_FEATURES)
    ])

# 验证形状符合要求
model.build(input_shape=(BATCH_SIZE, N_PAST, N_FEATURES))
print(model.output_shape) # 输出为 (32, 10, 1)，完全匹配需求

简化方案（适合简单时序场景） #

如果不想新增额外LSTM层，可以直接在第二层LSTM（return_sequences=False）之后添加tf.keras.layers.Reshape((N_FUTURE, N_FEATURES))直接调整输出形状，不过预测效果会比编解码结构稍差。

内容的提问来源于stack exchange，提问作者WAIWAI