基于Keras/TensorFlow的多维多变量时间序列预测数据塑形问题

我完全明白这种摸不着头脑的感觉——大多数教程都是单变量单实体的简单例子，碰到多城市、多指标的真实场景时，确实会一下子懵住。咱们把这个问题拆解开，一步步搞清楚Keras/TensorFlow需要的数据格式，再结合你的场景给出具体操作。

Keras中循环神经网络（LSTM/GRU等）处理时间序列的标准输入格式是：
(样本数, 时间步长, 特征数)

• 样本数：你用滑动窗口生成的训练样本总数
• 时间步长：每个输入序列包含的历史数据步数（比如用过去7天的数据，时间步长就是7）
• 特征数：每个时间步包含的变量数量（比如你的温度、车流量、湿度，就是3个特征）

而目标序列（y）的格式取决于你的预测需求：

• 预测单步单指标：(样本数, 1)
• 预测单步多指标：(样本数, 目标特征数)
• 预测多步多指标：(样本数, 预测步数, 目标特征数)

你的数据集是「多个城市的日度多指标数据」，核心是先把每个城市的时间序列独立整理，再转化为模型能接受的样本格式，分两步走：

1. 拆分并整理每个城市的时间序列 #

首先把原始数据按城市分组，确保每个城市的日期是严格按时间顺序排列的。每个城市会得到一个二维表格：(总天数, 特征数)，比如某城市有730天数据（两年），3个特征，那就是(730, 3)的结构。

2. 用滑动窗口生成训练样本 #

时间序列预测本质是监督学习，需要用「过去T步的所有特征」来预测「未来K步的目标指标」。你需要定义：

• time_steps：用多少天的历史数据（比如7天）
• target_steps：要预测未来多少天（比如1天）
• target_cols：要预测的指标（比如只预测车流量，或者同时预测温度+车流量）

通过滑动窗口，每个城市的(天数, 特征数)数据会转化为：

• 输入X：(样本数, time_steps, 特征数)
• 目标y：(样本数, target_steps, 目标特征数)

最后把所有城市的样本合并，就得到全局的训练数据集。

假设你的原始数据是Pandas DataFrame，结构如下：

以下是完整的数据处理和模型构建代码：

import pandas as pd
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
from sklearn.preprocessing import StandardScaler

# ----------------------
# 1. 数据预处理：分组+标准化
# ----------------------
# 假设df是你的原始数据
df = pd.read_csv("your_data.csv")
# 按城市分组
grouped = df.groupby('城市ID')

# 特征标准化：每个特征单独做标准化（非常重要！）
scalers = {}
feature_cols = ['温度', '车流量', '湿度']
for col in feature_cols:
    scalers[col] = StandardScaler()
    df[col] = scalers[col].fit_transform(df[[col]])

# ----------------------
# 2. 滑动窗口生成样本函数
# ----------------------
def create_sequences(data, time_steps=7, target_steps=1, target_cols=['车流量']):
    X, y = [], []
    # 提取特征值数组
    data_values = data[feature_cols].values
    # 获取目标特征的索引
    target_indices = [feature_cols.index(col) for col in target_cols]
    
    # 滑动窗口生成样本
    for i in range(len(data_values) - time_steps - target_steps + 1):
        # 输入序列：过去time_steps天的所有特征
        seq_x = data_values[i:i+time_steps]
        # 目标序列：未来target_steps天的目标特征
        seq_y = data_values[i+time_steps:i+time_steps+target_steps, target_indices]
        X.append(seq_x)
        y.append(seq_y)
    
    return np.array(X), np.array(y)

# ----------------------
# 3. 处理所有城市的样本
# ----------------------
time_steps = 7  # 用过去7天数据
target_steps = 1  # 预测未来1天
target_cols = ['车流量']  # 可改为多指标如['温度', '车流量']

all_X, all_y = [], []
for city_id, group in grouped:
    # 确保日期按顺序排列
    group = group.sort_values('日期')
    X_city, y_city = create_sequences(group, time_steps, target_steps, target_cols)
    all_X.append(X_city)
    all_y.append(y_city)

# 合并所有城市的样本
X = np.concatenate(all_X, axis=0)
y = np.concatenate(all_y, axis=0)

# 如果是单步预测，可压缩y的维度（比如从(N,1,1)变成(N,1)）
y = np.squeeze(y)

# ----------------------
# 4. 构建并训练模型
# ----------------------
model = Sequential()
# LSTM层输入形状：(time_steps, 特征数)
model.add(LSTM(64, input_shape=(time_steps, len(feature_cols))))
# 输出层单元数等于目标特征数
model.add(Dense(len(target_cols)))

model.compile(optimizer='adam', loss='mse')
# 训练模型
history = model.fit(X, y, epochs=20, batch_size=32, validation_split=0.2)

• 维度不要搞反：一定要记住输入格式是(样本数, 时间步长, 特征数)，很多人会不小心写成(样本数, 特征数, 时间步长)，导致模型报错。
• 特征必须标准化：不同指标的量纲差异极大（比如温度是0-30，车流量是几百上千），不标准化会让模型偏向数值大的特征，严重影响效果。
• 多城市的进阶处理：如果需要考虑城市间的关联（比如用城市A的数据辅助预测城市B），可以把城市ID转化为嵌入特征，加入到输入序列中，此时输入形状会变成(样本数, time_steps, 特征数 + 嵌入维度)。
• 多步预测的调整：如果要预测未来多天，目标y的形状是(样本数, target_steps, 目标特征数)，此时模型可以用return_sequences=True的LSTM层，或者用序列到序列（Seq2Seq）结构。

内容的提问来源于stack exchange，提问作者Bastien