单变量时间序列场景下如何设置keras.layers.SimpleRNN的input_shape

报错根因 #

Keras中所有循环层（包括SimpleRNN、LSTM、GRU等）的输入都要求是3维张量，维度对应规则为 (样本数, 时间步长, 特征数)，你当前的报错来自两个问题：

1. 输入数据X_train的维度是(58118,)，仅包含样本数维度，缺少时间步长、特征数两个维度，送入模型时自动补全为2维(None,1)，不符合RNN层要求的3维输入
2. 你没有将原始单变量时间序列转换为符合RNN训练要求的「输入序列-输出标签」监督学习样本对

解决步骤 #

1. 构造时间序列监督样本 #

首先通过滑动窗口将原始序列转换为RNN可训练的样本格式，示例代码如下：

import numpy as np

def create_seq_samples(series, time_steps=10):
    X, y = [], []
    for i in range(len(series) - time_steps):
        # 取过去time_steps个值作为输入序列
        X.append(series[i:i+time_steps])
        # 取当前时刻值作为预测标签
        y.append(series[i+time_steps])
    return np.array(X), np.array(y)

# 可根据需求调整时间步长参数time_steps
time_steps = 10
# 替换x为你的原始单变量序列
X, y = create_seq_samples(x, time_steps=time_steps)

2. 调整数据维度 #

构造完成的X当前维度是(样本数, 时间步长)，需要补充特征数维度（单变量特征数为1），再进行数据集拆分：

# 升为3维：(样本数, 时间步长) -> (样本数, 时间步长, 1)
X = np.expand_dims(X, axis=-1)

# 后续拆分逻辑不变
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.2,shuffle=False,random_state=1004)
X_train,X_val,y_train,y_val = train_test_split(X_train,y_train,test_size=0.125,shuffle=False,random_state=1004)

3. 调整input_shape和输出层 #

此时SimpleRNN的input_shape直接设置为(时间步长, 特征数)即可，如果你使用固定时间步长直接填入对应值即可；如果需要支持可变时间步长可以保留(None,1)。
另外如果你的需求是单步预测单个数值，最后一层可以去掉TimeDistributed，调整为输出1个值的Dense层，示例模型结构如下：

with tf.device('/gpu:0'):
    model = keras.models.Sequential([
        # 固定时间步长的话input_shape=(time_steps,1)即可
        keras.layers.SimpleRNN(20, return_sequences=True, input_shape=(time_steps,1)),
        keras.layers.SimpleRNN(20),
        keras.layers.Dense(1)
    ])

    model.compile(loss="mse", optimizer="adam")
    history = model.fit(X_train, y_train, epochs=20,validation_data=(X_val, y_val))
    model.save('rnn.h5')

内容的提问来源于stack exchange，提问作者Daniel Park