我尝试用tensorflow和keras做时间序列预测，x和y具有不同的维度:
X.shape = (5000, 12)
y.shape = (5000, 3, 12)
当我执行以下操作时
n_input = 7
generator = TimeseriesGenerator(X, y, length=n_input, batch_size=1)
for i in range(5):
x_, y_ = generator[i]
print(x_.shape)
print(y_.shape)
我得到了所需的输出
(1, 7, 12)
(1, 3, 12)
(1, 7, 12)
(1, 3, 12)
...
这是因为我的数据是气象的，我有5000天，为了在数组x中训练，我使用了7天的滑动窗口，每一天包含12个特征（气压，温度，湿度a.O.）。 并且在目标数组y中，我有3天的滑动窗口，尝试预测未来3天到7天的每个窗口。
但是，当我尝试拟合模型时，由于x和y数组的形状不匹配，我得到了一个错误:
model = Sequential()
model.add(LSTM(4, input_shape=(None, 12)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
history = model.fit_generator(generator, epochs=3).history
ValueError: A target array with shape (1, 3, 12) was passed for an output of shape (None, 1) while using as loss `mean_squared_error`. This loss expects targets to have the same shape as the output.
那么，有没有一种方法来调整架构，以解决尺寸不匹配的问题呢？ 或者有没有一种方法来重塑x和y，使它们与这种体系结构一起工作？ 我尝试了后期将x重新成形为(5000，7，12)，但这也给出了一个维数错误。 TNX
你的发电机是正确的。。。 是你的关系网不起作用。
你没有正确处理维度。 您正在处理序列，因此需要在LSTM单元格中强加return_sequences=true。 您的输入有7个时间步骤，而您的输出有3个时间步骤，您必须从7个传递到3个（您可以通过池等方式来完成）。
下面是一个虚拟示例。 我没有使用池操作，而是简单地选择序列的一部分，以获得3个时间步骤的输出
X = np.random.uniform(0,1, (5000, 12))
y = np.random.uniform(0,1, (5000, 3, 12))
n_input = 7
generator = tf.keras.preprocessing.sequence.TimeseriesGenerator(X, y, length=n_input, batch_size=32)
model = Sequential()
model.add(LSTM(4, return_sequences=True, input_shape=(n_input, 12)))
model.add(Lambda(lambda x: x[:,-3:,:]))
model.add(Dense(12))
model.compile(loss='mean_squared_error', optimizer='adam')
model.summary()
model.fit(generator, epochs=2)
最终（完全连接）层的形状是（无，1），输出的形状是（无，3，12）。 数据的输出形状必须与网络相匹配。
我将使用函数API并创建3个单独的密集层，并将它们连接起来。 像这样:
inp = tf.keras.Input(shape=(7, 12))
x = tf.keras.layers.LSTM(4)(inp)
y1 = tf.keras.layers.Dense(12)(x)
y2 = tf.keras.layers.Dense(12)(x)
y3 = tf.keras.layers.Dense(12)(x)
y1 = tf.keras.backend.expand_dims(y1, axis=1)
y2 = tf.keras.backend.expand_dims(y2, axis=1)
y3 = tf.keras.backend.expand_dims(y3, axis=1)
y = tf.keras.layers.Concatenate(axis=1)([y1, y2, y3])
mdl = tf.keras.Model(inp, y)
mdl.summary()
返回:模型摘要
