如何用Keras函数式API实现多输出LSTM时间序列预测？

咱们先把报错的根源说清楚：你的模型只有一个输入张量（通过Input((train_X.shape[1],train_X.shape[2]))定义的单输入），但你调用model.predict()时传了两个数组[pred_X,pred_Y]，这和模型期待的输入数量完全不匹配，所以才会抛出那个ValueError。

接下来分两步帮你搞定问题：

1. 先修正预测调用的代码 #

直接把预测代码改成只传入模型定义好的输入pred_X就行：

ypred = model.predict(pred_X)

这么改之后，模型会返回一个包含两个NumPy数组的元组——第一个数组对应out1的预测结果，第二个对应out2的，正好是你想要的双特征预测输出。你可以直接拆分使用：

y_pred1, y_pred2 = ypred
# y_pred1 对应第一个待预测特征，形状是 (672, 1)
# y_pred2 对应第二个待预测特征，形状也是 (672, 1)

2. 再确认你的数据逻辑是否匹配模型 #

你提到“数据有6列，前两列为待预测特征，其余为输入特征”，但当前train_X是包含全部6列的(24576, 192, 6)。这里要分两种情况：

• 如果你的逻辑是用后4列输入特征，预测前2列的目标值：那你需要把训练输入调整为只取后4列，代码如下：

  # 提取train_X的后4列作为输入特征
  train_X = train_X[:, :, 2:]
  # 对应的pred_X也要做同样处理
  pred_X = pred_X[:, :, 2:]
  # 然后重新定义模型输入（现在输入维度是192步，4特征）
  inp = Input((train_X.shape[1], train_X.shape[2]))
  

• 如果你的逻辑是用包含待预测特征的全部6列历史数据，预测未来的两个待预测特征值：那当前的train_X和模型结构完全没问题，只需要用上面修正后的预测代码就行。

补充说明 #

你的模型编译和训练代码是对的：model.fit(train_X,[y1,y2])传入两个标签数组，完全符合多输出模型的训练要求。只要输入正确，预测阶段模型肯定会返回两个输出结果，不需要改模型结构。

内容的提问来源于stack exchange，提问作者wiedzminYo