Keras中使用RNN预测未来固定时长时间序列的代码验证

结论 #

你的代码没有实现你预期的「基于过往96个时间步数据预测后续96个时间步」的需求，核心问题出在测试阶段的取值逻辑、误差对比逻辑两处，具体拆解如下：

1. 训练阶段的逻辑有效性 #

你采用的SimpleRNN+TimeDistributed(Dense(steps_forward))的序列到序列结构本身是合理的，标签构造逻辑也符合训练要求：

• steps_backwards=96、steps_forward=96的参数定义符合15分钟分辨率下1天的时间步对应关系
• 三维标签Y的构造逻辑，本质是让模型学习「基于输入序列的每一个时间步，输出该时间步之后96步的预测值」，训练阶段的目标是符合你要的多步预测需求的

2. 测试阶段的逻辑错误 #

你当前的测试取值、误差计算逻辑完全错误，没有用到模型输出的有效信息：

• Y_pred的维度为(测试样本数, 96, 96)，三个维度分别对应「样本序号」、「输入序列的第N个时间步」、「未来第M步的预测值」
• 你取的Y_pred[i][0][steps_forward-1]只是第i个样本的第0个输入步对应的未来第96步的单个预测值，既没有用到完整96步输入的信息，也没有拿到完整的未来96步预测结果
• 你用来对比的真值X_test[:,0]是输入序列第一个时间步的真实值，根本不是未来第96步的真实值，误差计算完全没有参考意义

3. 修正方案 #

如果要实现「输入过去96步，一次性输出未来96步全量预测」的需求，有两种调整方向：

• 方案一（简单高效）：去掉return_sequences=True配置和TimeDistributed包装，直接用普通全连接层输出96个预测值：

  model = keras.models.Sequential([
      keras.layers.SimpleRNN(90, return_sequences=True, input_shape=[None, 2]),
      keras.layers.SimpleRNN(60, return_sequences=False),
      keras.layers.Dense(steps_forward)
  ])
  

  对应标签也不需要构造三维数组，直接取每个样本对应未来96步的真实值，shape为(样本数, 96)即可，测试时每个样本的输出直接就是未来96步的预测结果。
• 方案二（保留现有seq2seq结构）：取每个测试样本最后一个输入步的输出作为预测结果：

  # 取完整输入序列对应的未来96步预测
  Y_pred = model.predict(X_test)[:, -1, :]
  # 对比的真值需要对应每个样本的未来96步真实值，而非输入序列内的数值
  

内容的提问来源于stack exchange，提问作者PeterBe