基于TensorFlow后端的Keras：多输入并行处理的LSTM-Dense回归预测模型构建

没问题，我帮你一步步搞定这个多输入的回归预测模型，完全适配TensorFlow Keras环境，直接上可运行的代码和关键细节解释：

步骤1：导入必要的依赖库 #

首先导入Keras的核心模块和层：

import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, LSTM, Dense, Concatenate, Dropout
from tensorflow.keras.callbacks import EarlyStopping  # 可选，用于早停防止过拟合

步骤2：构建两个输入分支 #

我们需要分别为3D序列特征X1和关键特征矩阵X2构建独立的处理分支：

分支1：LSTM处理3D序列特征X1 #

针对形状为(9000, 300, 3)的序列数据，用LSTM提取时序特征：

# 定义X1的输入层，形状是(时间步长, 特征数)=(300,3)
input_x1 = Input(shape=(300, 3), name="sequence_input")

# LSTM层：64个隐藏单元，仅返回最后一个时间步的输出（回归任务足够）
x1 = LSTM(64, return_sequences=False)(input_x1)
x1 = Dropout(0.2)(x1)  # 加入Dropout抑制过拟合
x1 = Dense(32, activation="relu")(x1)  # 进一步压缩特征

分支2：Dense层处理关键特征X2 #

针对形状为(9000, 106)的结构化特征，用全连接层提取特征：

# 定义X2的输入层，形状是(特征数,)=(106,)
input_x2 = Input(shape=(106,), name="dense_input")

x2 = Dense(64, activation="relu")(input_x2)
x2 = Dropout(0.2)(x2)
x2 = Dense(32, activation="relu")(x2)

步骤3：合并分支并构建输出层 #

将两个分支的特征合并后，接入回归任务的输出层：

# 拼接两个分支的输出特征
combined_features = Concatenate()([x1, x2])

# 回归任务输出层：1个单元，线性激活（默认就是linear，适合回归）
output = Dense(1, name="regression_output")(combined_features)

步骤4：定义完整模型并编译 #

指定模型的输入和输出，然后编译模型（回归任务用MSE损失）：

# 构建完整模型
model = Model(inputs=[input_x1, input_x2], outputs=output)

# 编译模型：Adam优化器+MSE损失（回归任务标准配置）
model.compile(
    optimizer="adam",
    loss="mean_squared_error",
    metrics=["mean_absolute_error"]  # 可选，监控MAE指标
)

# 打印模型结构确认（可选）
model.summary()

步骤5：按你的计划训练模型 #

直接用zip(X1, X2)作为输入，和你预想的训练方式一致：

# 设置训练参数
BATCH_SIZE = 32
EPOCHS = 50

# 可选：加入早停回调，防止过拟合
early_stop = EarlyStopping(
    monitor="val_loss",
    patience=5,
    restore_best_weights=True  # 恢复最优权重
)

# 开始训练
history = model.fit(
    zip(X1, X2),
    y,
    batch_size=BATCH_SIZE,
    epochs=EPOCHS,
    validation_split=0.2,  # 用20%数据做验证
    callbacks=[early_stop]  # 加入早停（可选）
)

关键注意事项 #

• 输入形状校验：确保X1是(9000, 300, 3)，X2是(9000, 106)，y是(9000, 1)的回归标签，否则会报错。
• 特征预处理：强烈建议对X1的时序特征和X2的结构化特征分别做标准化（比如StandardScaler），LSTM和Dense层对特征尺度非常敏感。
• LSTM参数调整：如果需要提取所有时间步的特征，可以把return_sequences=True，然后接Flatten()或者堆叠LSTM层，但回归任务一般取最后一步的输出就足够。
• 过拟合应对：除了Dropout和早停，还可以在LSTM/Dense层加入L2正则化（比如kernel_regularizer=tf.keras.regularizers.L2(0.01)）。

内容的提问来源于stack exchange，提问作者Luca Massaron