LSTM时间序列预测逆缩放时Numpy广播形状不匹配错误如何解决
错误原因
- 你的
MinMaxScaler是基于原始6列数据集拟合的,逆转换时要求输入数据的列数必须等于拟合时的特征数(即6列),但你当前传入逆转换的inv_yhat是8列,维度不匹配触发广播报错。 - 维度不一致的根源是监督数据集构造后列删除操作错误:你调用
series_to_supervised(scaled, 1, 1)时,输入是6列特征,会生成6*(1+1)=12列数据(前6列为t-1时刻特征,后6列为t时刻特征),你仅删除了后6列中的3列,剩余9列,拆分输入输出后test_X为前8列,拼接预测值后得到的inv_yhat为8列,无法匹配scaler的6列要求。
排查步骤
- 打印
inv_yhat.shape和scaler.n_features_in_,确认前者第二维度为8、后者为6,验证维度不匹配问题。 - 打印
reframed.columns,核对构造完监督数据集后剩余列的含义,确认删除的列是否符合你的预测目标。 - 打印
test_X.shape[1],确认输入特征的列数是否符合预期。
修复方案
方案1:修正监督数据集的列删除逻辑(最适配现有代码)
你构造监督数据集后需要仅保留输入特征(t-1时刻的所有6列特征)和你要预测的t时刻的单目标列,修改删除列的代码即可:
# 原错误代码 # reframed.drop(reframed.columns[[9,10,11]], axis=1, inplace=True) # 替换为如下代码,保留前6列t-1特征 + 最后1列t时刻的目标特征 reframed.drop(reframed.columns[6:-1], axis=1, inplace=True)
修改后reframed总列数为7,拆分后test_X为前6列,拼接预测值后得到的inv_yhat刚好为6列,匹配scaler的逆转换要求。
方案2:优化冗余特征(可选)
Timestamp列如果不需要作为预测特征,可以提前移除,减少维度处理复杂度:
# 加载数据集后增加如下代码,单独保存时间戳,不参与缩放和模型训练 dataset = read_csv('../input/test-jetson/test.csv', header=0, parse_dates=['Timestamp']) timestamp_col = dataset['Timestamp'] values = dataset.drop('Timestamp', axis=1).astype('float32').values
修改后scaler拟合的特征数为5,对应调整删除列的逻辑即可,后续逆转换时输入维度匹配5列即可。
内容的提问来源于stack exchange,提问作者user14490575
相关产品推荐
相关产品推荐

