TensorFlow时间序列预测教程改参数后报OverflowError如何解决

报错根因 #

你遇到的报错本质是Keras进度条渲染逻辑触发的异常：代码中self.target是evaluate阶段的总步数，当验证集/测试集对应的tf.data.Dataset为空时，self.target等于0，此时np.log10(0)会返回负无穷，转换为整数时就触发了OverflowError。

数据集为空的直接原因是：你当前的参数配置下，单样本需要的序列总长度（输入长度 + 预测步长，即input_width + OUT_STEPS）大于划分后的验证集/测试集的序列长度，滑动窗口逻辑无法生成任何有效样本，最终得到空数据集。

你用7万多条数据时没有报错，是因为划分后的验证集、测试集长度远大于窗口需要的总长度，可以正常生成样本。

排查步骤 #

• 先执行print(len(val_df), len(test_df))打印验证集、测试集的原始样本数
• 再执行print(wide_window.val.cardinality().numpy())，如果输出为0即可确认是验证集为空的问题

解决方法 #

• 调整数据集划分比例：降低验证集、测试集的占比，保证划分后每个子集的样本数都大于input_width + OUT_STEPS，你的1440条总数据可以调整为9:0.5:0.5的训练/验证/测试划分比例
• 缩小窗口参数：如果不想调整划分规则，可以降低input_width或者OUT_STEPS的数值，保证input_width + OUT_STEPS小于验证集、测试集的最小长度
• 临时规避进度条问题：在evaluate方法中添加verbose=0参数，关闭进度条渲染即可绕过该报错，写法参考你测试集评估的代码行
• 补充输入数据：如果条件允许，增加输入时间序列的总长度，保证划分后的所有子集都满足窗口生成的长度要求

内容的提问来源于stack exchange，提问作者Marco