如何向Keras Sequential LSTM输入二维数据序列以预测网格坐标序列？

我正在尝试预测网格地图中的二维坐标序列，训练集Input_train的形状是(41185, 10, 2)——包含41185条序列样本，每条序列有10个时间步，每个时间步对应2个坐标值。我目前的模型定义如下：

self.model = Sequential()
self.model.add(LSTM(self.num_neurons, input_shape=(10, 2), dropout=self.dropout, recurrent_dropout=self.dropout, return_sequences=True))
for _ in range(self.depth - 1):
    self.model.add( LSTM(self.num_neurons, dropout=self.dropout, recurrent_dropout=self.dropout, ...)

从你给出的代码框架来看，这是一个典型的堆叠LSTM架构，非常适合序列预测任务。结合你的场景，我整理了一些针对性的优化建议和完整实现思路：

关键优化与实现细节 #

• 输出层适配：
  • 如果是单步预测（预测每条输入序列的下一个坐标），最后一层LSTM需要把return_sequences设为False，再搭配Dense(2)输出二维坐标；
  • 如果是多步预测（预测接下来N个时间步的坐标序列），则所有LSTM层保持return_sequences=True，最后用TimeDistributed(Dense(2))来输出序列格式的预测结果。
• 数据预处理：
  坐标数据建议先做归一化（比如用MinMaxScaler缩放到[0,1]区间），LSTM对数值范围敏感，归一化能大幅提升模型收敛速度和预测稳定性。
• 过拟合控制：
  recurrent_dropout在Keras/TensorFlow中可能拖慢训练速度，若追求效率，可以只保留输入侧的dropout，或者改用LayerNormalization+Dropout的组合来替代循环dropout。
• 损失函数选择：
  坐标预测属于回归任务，优先用MSE（均方误差）作为损失函数；如果数据存在异常值，MAE（平均绝对误差）会更鲁棒。
• 数据集划分：
  时间序列不能随机划分训练/测试集，必须按时间顺序拆分（比如前80%样本训练，后20%测试），避免数据泄露。

完整模型示例（单步预测场景） #

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

class CoordSequencePredictor:
    def __init__(self, num_neurons=64, depth=2, dropout=0.2):
        self.num_neurons = num_neurons
        self.depth = depth
        self.dropout = dropout
        self.build_model()
    
    def build_model(self):
        self.model = Sequential()
        # 第一层LSTM，返回序列给后续堆叠层
        self.model.add(LSTM(self.num_neurons, input_shape=(10, 2), dropout=self.dropout, return_sequences=True))
        # 堆叠剩余LSTM层
        for layer_idx in range(self.depth - 1):
            # 最后一层LSTM不返回序列，因为要输出单个坐标
            return_seq = (layer_idx != self.depth - 2)
            self.model.add(LSTM(self.num_neurons, dropout=self.dropout, return_sequences=return_seq))
        # 输出层：预测二维坐标
        self.model.add(Dense(2))
        
        # 编译模型
        self.model.compile(optimizer='adam', loss='mse')

如果你有更具体的问题（比如多步预测的实现、模型调参、评估指标选择等），可以补充细节后再深入探讨~

内容的提问来源于stack exchange，提问作者Noltibus