如何修复输入维度不匹配错误：预期2维但获(32,168,5)数组

我一眼就看出问题出在输入层定义和数据维度的不匹配上，还有你对序列数据的处理逻辑有点混乱，咱们一步步来修正：

错误核心原因 #

你定义的input_1 = Input(shape=(5, ))期望的是2D输入（形状为(batch_size, 5)），但你的实际输入x_batch_1是3D序列数据（形状为(32,168,5)）——这里32是批量大小，168是序列长度，5是每个时间步的特征数。LSTM分支的input_2也存在同样的定义错误，而且你用tf.expand_dims的操作完全搞反了方向，反而让维度更混乱。

具体修正步骤 #

1. 修正输入层的形状定义 #

你的输入是带序列长度的3D数据，所以输入层的shape应该定义为(序列长度, 特征数)，如果想兼容可变序列长度，可以用(None, 特征数)：

# first input model: 对应输入形状(batch_size, 168, 5)
input_1 = Input(shape=(168, 5))  # 换成(None,5)可支持任意长度的序列
# second input model: 对应输入形状(batch_size, 168,7)
input_2 = Input(shape=(168,7))   # 换成(None,7)可支持任意长度的序列

2. 调整DNN分支的处理逻辑 #

因为input_1是序列数据，你需要让全连接层处理每个时间步的特征，这里要用TimeDistributed包裹Dense，这样每个时间步的5维特征都会经过64维的全连接，输出保持序列维度：

# DNN分支：处理序列数据，每个时间步独立过Dense
dense_1 = TimeDistributed(Dense(units=64))(input_1)
# 此时dense_1的形状是(batch_size, 168, 64)

3. 简化LSTM分支的输入处理 #

你的LSTM层已经设置了return_sequences=True，输出形状是(batch_size,168,64)，和DNN分支的输出维度匹配。这里可以去掉冗余的input_shape参数（输入层已经定义了形状），也不需要tf.expand_dims——因为你的输入已经是LSTM需要的3D格式(batch, seq_len, features)：

# LSTM分支：直接处理3D输入，return_sequences=True保留序列维度
lstm_1 = LSTM(units=64, return_sequences=True)(input_2)
# 此时lstm_1的形状是(batch_size,168,64)

4. 修正拼接轴并调整输出层 #

现在两个分支的输出都是(batch_size,168,64)，我们需要在**特征轴（axis=-1）**拼接，得到(batch_size,168,128)，然后用TimeDistributed(Dense)输出每个时间步的预测结果（因为你的y_batch是(32,168,1)，每个时间步都有一个标签）：

# 在特征轴拼接两个分支的输出
merge = concatenate([dense_1, lstm_1], axis=-1)
# 输出层：每个时间步输出1个结果
output = TimeDistributed(Dense(num_y_signals, activation='sigmoid'))(merge)
model = Model(inputs=[input_1, input_2], outputs=output)

5. 调整验证数据的维度 #

你的验证数据不需要额外expand_dims(axis=0)，如果x_test1_scaled的原始形状是(样本数, 168,5)，直接传入即可。如果你的验证集是一个长序列(5808,5)，那你需要把它分割成和训练数据一样的序列长度（168），或者让模型支持可变序列长度（输入层用(None,5)），否则模型会因为序列长度不匹配报错。

修正后的完整模型代码 #

from tensorflow.keras.layers import Input, Dense, LSTM, concatenate, TimeDistributed
from tensorflow.keras.models import Model

# first input model
input_1 = Input(shape=(168, 5))  # 或者(None,5)支持可变序列长度
dense_1 = TimeDistributed(Dense(units=64))(input_1)

# second input model
input_2 = Input(shape=(168, 7))  # 或者(None,7)
lstm_1 = LSTM(units=64, return_sequences=True)(input_2)

# merge input models
merge = concatenate([dense_1, lstm_1], axis=-1)
output = TimeDistributed(Dense(num_y_signals, activation='sigmoid'))(merge)

model = Model(inputs=[input_1, input_2], outputs=output)
model.summary()

补充说明 #

你之前考虑的flatten思路不适用这里：如果直接flatten序列维度，会把(32,168,5)变成(32,840)，这样和LSTM输出的(32,168,64)无法拼接——因为维度数量和长度都不匹配。只有保持序列维度一致，才能在特征轴拼接，这也是处理序列到序列任务的正确方式。

内容的提问来源于stack exchange，提问作者Joichiro Nishi