如何确定时间序列PrefetchDataset对应的Keras输入层input_shape参数

问题原因分析 #

首先明确你当前数据集输入X的各维度含义：
从element_spec的输出(TensorSpec(shape=(None, None, 4, 1), dtype=tf.float64, name=None), ...)可以得到，单个批次的输入张量维度为：

• 第1位：批次大小，对应第一个None，值为你设置的32
• 第2位：时间窗口长度，对应第二个None，值为你设置的128
• 第3位：特征数量，固定为4
• 第4位：你在数据集生成时通过tf.expand_dims(series, axis=-1)额外添加的维度，固定为1

你报错的核心原因有两个：

1. Conv1D默认接收3维输入（批次+时间步+通道数），你当前输入是4维，多了最后一个值为1的冗余维度
2. 你设置的input_shape完全不符合输入结构：input_shape不需要包含批次维度，你写的4个维度会被模型判定为输入是5维张量，同时你要求最后一维为4，但实际输入最后一维是1，维度匹配失败。

解决方案 #

方案1：修改数据集生成代码（推荐，逻辑更简洁） #

你参考的数据集生成代码是针对单特征时间序列的，你是4特征场景，不需要额外加最后一维。直接删除windowed_dataset函数里的第一行代码：

series = tf.expand_dims(series, axis=-1)

删除后数据集输入X的维度会变成(None, None, 4)，正好匹配Conv1D的输入要求。此时模型第一层的Conv1D修改为：

Conv1D(filters=128, kernel_size=3, strides=1, padding='causal', input_shape=(window_size, 4) , activation='relu')

如果需要适配可变窗口大小，也可以把input_shape写成(None, 4)。

方案2：不修改数据集，仅调整模型结构 #

如果你不想改动现有数据集生成逻辑，可以在模型最开头加一层维度调整层，去掉冗余的最后一维，代码如下：

# 第一层先调整维度，去掉最后一个值为1的冗余维度
Reshape(target_shape=(window_size, 4), input_shape=(window_size, 4, 1)),
# 后面接原来的Conv1D，不需要再写input_shape参数
Conv1D(filters=128, kernel_size=3, strides=1, padding='causal', activation='relu'),

内容的提问来源于stack exchange，提问作者CharltonZ1