本教程旨在解决使用LSTM进行时间序列预测时常见的“数据基数模糊”错误，并提供一套完整的解决方案。文章详细阐述了如何正确准备序列数据，将其转换为LSTM模型所需的输入格式，并指导读者构建一个适用于回归任务的LSTM模型，包括选择合适的激活函数和损失函数，最终实现准确的时间序列预测。

1. 理解LSTM与时间序列数据

长短期记忆网络（LSTM）是循环神经网络（RNN）的一种变体，特别擅长处理和预测时间序列数据。在进行时间序列预测时，我们通常希望模型能够根据历史序列数据预测未来的一个或多个值。一个常见的场景是，给定前 N 个时间步的数据，预测第 N+1 个时间步的值。

然而，初学者在使用Keras构建LSTM模型时，常会遇到 ValueError: Data cardinality is ambiguous 这样的错误。这通常是由于输入 X 和输出 Y 的样本数量不匹配，或者输入数据的形状不符合LSTM层的要求所致。此外，输出层的激活函数选择不当也是一个常见问题。

2. 时间序列数据准备：构建监督学习样本

要训练一个LSTM模型，我们需要将原始时间序列数据转换为监督学习问题所需的输入-输出对。假设我们有一个一维时间序列 [1, 2, 3, 4, 5, 6, 7]，并且我们知道每个样本与其前两个样本之间存在关系（例如，1, 2 预测 3；2, 3 预测 4）。这意味着我们的“序列长度”或“回溯步长”是 2。

我们需要创建一个数据生成器，将原始序列转换为以下形式：

• 输入 (X): 包含 sequences_length 个连续时间步的序列。
• 输出 (Y): 紧随输入序列的下一个时间步的值。

以下是一个实现此逻辑的Python函数：

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])
sequences_length = 2 # 定义回溯步长

def create_sequences(data, sequences_length):
    """
    将一维时间序列数据转换为LSTM模型所需的输入-输出对。

    参数:
    data (np.array): 原始一维时间序列数据。
    sequences_length (int): 每个输入序列的长度（回溯步长）。

    返回:
    tuple: (X, Y)，其中X是输入序列数组，Y是对应的目标值数组。
    """
    X, Y = [], []
    for i in range(len(data) - sequences_length):
        # 提取输入序列
        X.append(data[i : i + sequences_length])
        # 提取目标值
        Y.append(data[i + sequences_length])
    return np.array(X), np.array(Y)

# 生成训练数据
X_raw, Y = create_sequences(data, sequences_length)

# 打印生成的样本以进行检查
print("原始X样本:")
for i in range(X_raw.shape[0]):
    print(f"X[{i}]: {X_raw[i]}, Y[{i}]: {Y[i]}")

# 原始X样本:
# X[0]: [1 2], Y[0]: 3
# X[1]: [2 3], Y[1]: 4
# X[2]: [3 4], Y[2]: 5
# X[3]: [4 5], Y[3]: 6
# X[4]: [5 6], Y[4]: 7

从上述输出可以看出，我们成功从7个原始数据点中生成了5个监督学习样本。现在，X_raw 的形状是 (5, 2)，Y 的形状是 (5,)。这解决了 Data cardinality is ambiguous 的问题，因为 X 和 Y 现在都有相同的样本数量（5个）。

3. LSTM输入形状的重塑

LSTM层期望的输入形状是 (samples, timesteps, features)：

• samples: 样本数量，即训练数据中的输入-输出对的数量。
• timesteps: 每个序列的长度，即 sequences_length。
• features: 每个时间步的特征数量。对于一维时间序列，特征数量通常是 1。

因此，我们需要将 X_raw 从 (5, 2) 重塑为 (5, 2, 1)。

标贝悦读AI配音

在线文字转语音软件-专业的配音网站

78 查看详情

# 重塑X以符合LSTM输入要求
X = np.reshape(X_raw, (X_raw.shape[0], sequences_length, 1))

print(f"\n重塑后的X形状: {X.shape}")
print(f"Y的形状: {Y.shape}")

现在，X 的形状是 (5, 2, 1)，Y 的形状是 (5,)。

4. 构建LSTM模型

在构建LSTM模型时，除了输入形状，还需要注意输出层的选择。由于我们正在进行数值预测（回归任务），输出层应该是一个 Dense 层，且不应使用 softmax 激活函数。softmax 适用于多类别分类问题，而对于回归问题，我们通常使用线性激活（即不指定激活函数，Keras默认是线性）。

# 构建LSTM模型
model = keras.Sequential([
    # LSTM层，input_shape=(timesteps, features)
    layers.LSTM(64, input_shape=(sequences_length, 1)),
    # 全连接输出层，用于回归任务，不使用激活函数（默认为线性）
    layers.Dense(1)
])

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

model.summary()

注意事项:

• layers.LSTM(64, ...) 中的 64 是LSTM单元的数量，可以根据模型复杂度和数据规模调整。
• input_shape=(sequences_length, 1) 严格匹配我们准备好的 X 的 (timesteps, features) 部分。
• layers.Dense(1) 表示输出一个单一的连续值。
• loss="mse" (Mean Squared Error) 是回归任务的常用损失函数。
• metrics=["accuracy"] 不适用于回归任务，应避免使用。

5. 模型训练

使用准备好的 X 和 Y 数据对模型进行训练。为了更好地学习数据中的模式，通常需要多个 epochs。

# 训练模型
print("\n开始训练模型...")
model.fit(X, Y, epochs=1000, batch_size=1, verbose=0) # verbose=0 关闭训练进度输出
print("模型训练完成。")

6. 模型预测

训练完成后，我们可以使用模型对新的序列数据进行预测。重要的是，用于预测的输入数据也必须按照与训练数据相同的格式进行准备和重塑。

假设我们想预测 [8, 9] 之后的下一个值。

# 准备用于预测的新数据
inference_data_raw = np.array([[8, 9]]) # 注意这里是二维数组
inference_data = np.reshape(inference_data_raw, (1, sequences_length, 1))

# 进行预测
print(f"\n预测 {inference_data_raw.reshape(-1)} 之后的下一个值...")
prediction = model.predict(inference_data)

print(f"预测结果: {prediction[0][0]:.4f}")
# 期望结果接近 10

7. 总结与最佳实践

本教程展示了如何正确地为LSTM时间序列预测任务准备数据和构建模型。核心要点包括：

1. 数据基数匹配: 确保输入 X 和输出 Y 的样本数量（第一维度）完全一致，这是避免 Data cardinality is ambiguous 错误的关键。
2. LSTM输入形状: LSTM层期望的输入形状是 (samples, timesteps, features)。对于一维时间序列，features 通常为 1。
3. 数据生成器: 编写一个函数来将原始时间序列转换为 (input_sequence, target_value) 对，这是构建监督学习样本的有效方法。
4. 输出层与激活函数: 对于回归任务，输出层应使用 Dense(1) 且通常不指定激活函数（默认为线性），避免使用 softmax。
5. 损失函数: 针对回归任务，选择 mse (均方误差) 或 mae (平均绝对误差) 等合适的损失函数。
6. 预测数据格式: 进行预测时，新的输入数据必须与训练数据具有相同的 (timesteps, features) 形状，并包裹在 (1, timesteps, features) 的批次维度中。

遵循这些最佳实践，可以有效避免常见的错误，并成功构建和训练用于时间序列预测的LSTM模型。

以上就是深入理解LSTM时间序列预测：数据准备与模型构建最佳实践的详细内容，更多请关注其它相关文章！

# 多线程  # 河北特定网站建设怎么样  # 京东母婴生活馆营销推广  # seo作弊模型  # 网站建设的基本要点  # 战役分析网站建设思路  # 家电营销与推广的区别在哪  # 宝安用户网站建设哪个好  # 英文网站建设推广  # 室外展板网站推广怎么做  # 玉林seo公司推荐18火星  # 的是  # 如何用  # python  # 重启  # 多个  # 这是  # 是一个  # 所需  # 适用于  # 转换为  # red  # python函数  # 常见问题  # 神经网络  # app 

相关栏目： 【 科技资讯46185 】 【 网络学院92790 】

相关推荐： 想当下一个《2077》？《心之眼》Steam评价升至"多半好评"  Go语言中动态执行代码字符串的策略与实践  c++如何使用std::memory_order控制原子操作顺序_c++ C++11内存模型详解  Spyder启动失败：字体文件权限拒绝错误解决方案  4399网页游戏电脑版全新入口 4399电脑端在线玩指南  绝地鸭卫平a核爆刀流玩法攻略  如何使用Rector自动化升级旧代码_通过Composer安装和配置Rector进行代码重构  必由学官方网站入口 必由学学生教师共用登录通道  Selenium Python中处理点击后新窗口加载冻结问题的策略与实践  《刺客信条：影》PS5 Pro和Switch 2画面对比  css链接悬停下划线样式如何自定义_使用::after结合content和transition  邮政编码查询不到怎么办_邮政编码查询不到的常见原因与对策  微信客户端如何收红包_微信客户端接收红包使用教程  html怎么在cmd下运行php文件_cmd运行html中php文件方法【教程】  期待已久：小米17 Ultra、小米首款NAS本月登场  Windows 11怎么彻底关闭定位_Windows 11服务中禁用Geolocation  多闪网页版在线观看免费入口_多闪官网访问入口  QQ邮箱官方网页版登录 QQ邮箱个人邮箱快速访问  谷歌浏览器最新官方入口链接 谷歌浏览器网页版官网导航  优化Django表单：提交验证失败后保留用户输入  Win11 BitLocker密码忘了怎么办 Win11找回BitLocker恢复密钥方法【解决】  Spring Boot嵌入式服务器与J*a EE：功能支持深度解析  微信网页版扫码登录入口 微信网页版二维码登录入口  qq游戏大厅官方下载_qq游戏免费下载安装入口  Go语言中Map值调用指针接收器方法的限制与应对  实现分段式页面滚动导航：CSS与J*aScript教程  Go语言中JSON数据解码与字段访问指南  深入理解J*aScript Promise异步执行与微任务队列  向日葵客户端怎么进行远程CentOS控制_向日葵客户端远程CentOS控制操作教程  京东京造J1和网易云音乐氧气真无线有什么不同_国产电商蓝牙耳机音质对比  Go语言中高效处理x-www-form-urlencoded表单数据  QQ邮箱登录首页官网地址2026 QQ邮箱官方网页入口  单射、满射与双射的关系 一文理清所有逻辑  Win10如何清理注册表垃圾 Win10注册表维护与优化指南【慎用】  iwriter统一登录平台 iwrite账号密码登录页面  GemBox Document HTML转PDF垂直文本渲染问题及解决方案  FullCalendar 自定义按钮样式定制指南  Golang如何实现状态模式管理对象状态_Golang State模式实现技巧  支付宝如何设置安全保护_支付宝安全设置的全面教程  KFC早餐时段怎么领特惠代码_KFC早餐订餐优惠代码获取与使用说明  python3时间如何用calendar输出？  夸克浏览器桌面版同步不了书签怎么处理 夸克浏览器跨设备同步异常解决方案  c++ 获取系统当前时间 c++时间戳获取方法  age动漫网站入口 age动漫官网直接访问入口  Safari浏览器输入栏卡顿如何解决 Safari搜索建议与缓存清理  Golang如何优化CPU绑定任务分配策略_Golang CPU任务分配优化实践  如何提高微信支付的安全性_微信支付安全防护与设置建议  小红书商家版怎样在笔记嵌入商品卡路径_小红书商家版在笔记嵌入商品卡路径【挂载教程】  铃兰之剑为这和平的世界希里技能组及加点推荐  在命令行怎么运行html项目_命令行运行html项目方法【教程】