解决LSTM输入数据维度与基数歧义：时间序列预测实战指南

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

# 原始时间序列数据
data = np.array([1, 2, 3, 4, 5, 6, 7])
# 每个输入序列的长度
sequences_length = 2

def dataloader(data, sequences_length):
    X, Y = [], []
    # 遍历数据，生成输入-输出对
    for i in range(len(data) - sequences_length):
        # X 包含当前时间步及之前的 sequences_length 个值
        X.append(data[i : i + sequences_length])
        # Y 是 sequences_length 个值之后的下一个值
        Y.append(data[i + sequences_length])
    return np.array(X), np.array(Y)

# 调用数据加载器生成 X 和 Y
X_raw, Y_raw = dataloader(data, sequences_length)

# 打印生成的 X 和 Y 形状，此时 X_raw 是二维的
print("X_raw shape:", X_raw.shape) # (5, 2)
print("Y_raw shape:", Y_raw.shape) # (5,)

# 将 X 调整为 LSTM 期望的 3D 形状 (samples, timesteps, features)
# 这里的 features 是 1，因为每个时间步只有一个数值
X_processed = np.reshape(X_raw, (X_raw.shape[0], sequences_length, 1))
Y_processed = Y_raw.reshape(-1, 1) # 确保 Y 也是二维的，方便后续处理

print("X_processed shape:", X_processed.shape) # (5, 2, 1)
print("Y_processed shape:", Y_processed.shape) # (5, 1)

# 验证生成的数据对
print("\nGenerated X and Y pairs:")
for i in range(X_processed.shape[0]):
    print(f"Input X: {X_processed[i].reshape(-1)}, Target Y: {Y_processed[i][0]}")

X_raw shape: (5, 2)
Y_raw shape: (5,)
X_processed shape: (5, 2, 1)
Y_processed shape: (5, 1)

Generated X and Y pairs:
Input X: [1 2], Target Y: 3
Input X: [2 3], Target Y: 4
Input X: [3 4], Target Y: 5
Input X: [4 5], Target Y: 6
Input X: [5 6], Target Y: 7

# 构建 LSTM 模型
model = keras.Sequential([
    # LSTM 层，input_shape 为 (timesteps, features)
    layers.LSTM(64, input_shape=(sequences_length, 1)),
    # 全连接输出层，用于回归任务，不指定激活函数即为线性激活
    layers.Dense(1)
])

# 编译模型
# 优化器选择 Adam 或 RMSprop 均可
# 损失函数选择均方误差 (mse)，适用于回归任务
model.compile(optimizer="adam", loss="mse")

# 打印模型摘要，检查层结构和参数
model.summary()

# 训练模型
# epochs 设置为足够大的值，以便模型充分学习
# batch_size 设为 1 或其他小值，根据数据量和模型复杂度调整
history = model.fit(X_processed, Y_processed, epochs=1000, batch_size=1, verbose=0) # verbose=0 不打印训练进度
print("Model training finished. Final loss:", history.history['loss'][-1])

# 准备新的推理数据，例如预测序列 [8, 9] 的下一个值
# 注意：即使只有一个样本，也需要保持 3D 形状
inference_data = np.array([[8, 9]]).reshape(1, sequences_length, 1)

# 进行预测
predicted_value = model.predict(inference_data)

print(f"\nInput: [8, 9], Predicted next value: {predicted_value[0][0]:.2f}")

1/1 [==============================] - 0s 25ms/step
Input: [8, 9], Predicted next value: 9.42