多特征多输出LSTM时间序列预测输出维度不符如何调整

LSTM层的return_sequences参数设为True时，会返回所有时间步的隐藏状态输出，输出维度会保留时间步长维度。你当前三层LSTM都开启了return_sequences=True，到最后的全连接层时输入维度为(样本数, 30, 50)，全连接层会对每个时间步单独做映射，最终输出就会多出30的时间维度，和需求不符。

你可以任选以下两种方案修改：

方案1：关闭最后一层LSTM的return_sequences #

这是多对一时间序列预测的标准写法，仅让最后一层LSTM返回最后一个时间步的隐藏状态，直接去掉时间维度：

model = Sequential()
model.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], X_train.shape[2])))
model.add(Dropout(0.2))
model.add(LSTM(units = 50, return_sequences = True))
model.add(Dropout(0.2))
# 最后一层LSTM不设置return_sequences，默认值为False
model.add(LSTM(units = 50))
model.add(Dropout(0.2))
model.add(Dense(units = 4))

修改后输出维度为(样本数, 4)，完全匹配你的预期。

方案2：新增时间维度聚合层 #

如果你需要保留所有时间步的输出做特征融合，可以在最后一层LSTM之后新增全局池化层，聚合30个时间步的特征后再接全连接层：

from tensorflow.keras.layers import GlobalAveragePooling1D

model = Sequential()
model.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], X_train.shape[2])))
model.add(Dropout(0.2))
model.add(LSTM(units = 50, return_sequences = True))
model.add(Dropout(0.2))
model.add(LSTM(units = 50, return_sequences = True))
model.add(Dropout(0.2))
# 全局平均池化层聚合所有时间步的特征
model.add(GlobalAveragePooling1D())
model.add(Dense(units = 4))

这种方案适合多时间步均包含有效预测信息的场景，你可以根据实际测试精度选择更适配的方案。

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