Keras Sequential实现序列预测时触发数据基数不匹配报错求助

Keras训练时强制校验输入特征X、标签y的第一个维度（即样本数）必须完全一致。你当前代码构造的X经过reshape([1,-1])后第一个维度为1，而y的长度为k，两个维度值不对等，直接触发校验错误，与你收到的x sizes:1, y sizes:2报错完全对应。

代码内的其他逻辑问题 #

• 时序样本构造逻辑错误：你将整段2/3长度的序列作为单一样本的输入特征，取k个后续值作为单一样本的标签，模型无法学习到“哪段输入对应哪段输出”的映射关系，完全达不到序列预测的训练效果
• 模型配置缺失：单神经元Dense层没有指定输入维度，模型初始化时无法匹配输入数据的形状
• 指标计算错误：回归任务下model.evaluate仅返回损失值，不存在第二个索引对应的准确率指标，原有print语句还存在格式化语法错误、索引越界的问题
• 数据划分逻辑错误：训练、测试集的X和y长度完全不对等，不符合模型训练的样本配对规则

修正方案 #

单变量序列预测的标准样本构造逻辑为滑动窗口切片：取连续窗口长度的序列值作为输入X，窗口后紧随的目标长度值作为标签y，逐位滑动窗口生成全量配对样本，保证X和y的样本数完全一致。
修正后的可运行代码如下：

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, Sequential

# 通用滑动窗口切片函数，任意序列可直接调用
def create_windows(series, window_size, target_size):
    X, y = [], []
    for i in range(len(series) - window_size - target_size + 1):
        # 取窗口段作为输入
        X.append(series[i:i+window_size])
        # 取窗口后紧随的target_size长度值作为标签
        y.append(series[i+window_size:i+window_size+target_size])
    return np.array(X), np.array(y)

# 取模15的斐波那契序列构造（通用适配）
def build_fib_mod15(length):
    fib = [0, 1]
    for i in range(2, length):
        fib.append((fib[-1] + fib[-2]) % 15)
    return np.array(fib)

df_fib = build_fib_mod15(100) # 按需求调整序列长度
predicted_values = [1,2,3,4,5]
models = {}

for k in predicted_values:
    # 固定滑动窗口长度，可根据需求调整
    window_size = 10
    # 生成全量配对样本
    X_all, y_all = create_windows(df_fib, window_size, k)
    # 按2:1比例拆分训练测试集，保证X和y的样本数同步
    split_idx = int(len(X_all) * 2/3)
    X_train, y_train = X_all[:split_idx], y_all[:split_idx]
    X_test, y_test = X_all[split_idx:], y_all[split_idx:]

    # 配置明确输入维度的模型
    model = Sequential()
    model.add(layers.Dense(16, activation='relu', input_shape=(window_size,)))
    model.add(layers.Dense(k)) # 输出维度匹配k个预测值
    model.compile(loss='mean_squared_error', optimizer='adam')
    model.fit(X_train, y_train, epochs=20, verbose=0) # verbose控制日志输出量
    test_loss = model.evaluate(X_test, y_test, verbose=0)
    print(f'预测后续{k}个值的测试集MSE损失: {test_loss:.4f}')
    models[k] = model

注：如果需要用到RNN/LSTM做时序建模，仅需替换Sequential内的层结构即可，样本构造逻辑保持不变。

内容的提问来源于stack exchange，提问作者Liliac