Python 预测的测试用例数少于LSTM中的实际测试数据

我一直在尝试使用LSTM Keras根据时间序列数据预测订单数量

我划分了样本数据，其中训练集包含282条记录，而测试集包含82条记录。我使用30的回望窗口来预测测试数据的预测

但由于某些原因，预测的数据集只包含40条记录，而测试数据中预期包含71条记录。背后的原因是什么？是导致问题的查找窗口吗？我觉得“回头看”窗口是问题的根源。但我怎样才能纠正它呢

保持如此高的后向窗口是很重要的

我正在使用以下函数为导致实际问题的LSTM创建数据。我怎样才能纠正它

def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
    #for i in range(len(dataset)-look_back):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

create_数据集的问题 当您获得ndarray的一个元素时，您将失去与该元素关联的秩。发生这种情况的原因是，如果您对单个图元感兴趣，则不需要保留尺寸标注1：

x=np.random.randn4，4 printx，x.shape 阵列[[1.37938213，-0.10407424，-0.356567，-1.5032779]， [-0.53166922, 0.98204605, -0.62052479, 0.99265612], [ 0.23046477, -0.17742399, 0.38283412, 0.24104468], [-0.78093724, 1.06833765, -1.22112772, -0.78429717]] 4, 4 printx[0:3,0]，x[0:3,0]。形状 数组[1.37938213，-0.53166922,0.23046477] 3. 因此，当您编写一个=dataset[i:i+look_back，0]时，您将获取一个包含形状样本、特征的数据集，并获取一块形状look_back，。将所有a添加到dataX后，它将成为形状样本的数据阵列，look_back=lendataset-look_back-1，look_back。但是，LSTM需要形状样本look_back，features，在您的示例中是look_back，1

如果您将其更改为a=dataset[i:i+look_back]，那么事情将开始工作。但是，更好的解决方案是使用TimeseriesGenerator：

从keras.preprocessing.sequence导入TimeseriesGenerator 批量大小=4 回头看=1 特征=1 d=np.random.randn364，特征 列车=时间经验发电机，d， 长度=向后看， 批次大小=批次大小， 结束索引=282 测试=时间经验生成器，d， 长度=向后看， 批次大小=批次大小， 起始索引=282 模型=顺序 model.addLSTM6，输入形状=[回顾，特征]，激活='relu' model.addDense1 model.compileloss='mse'，optimizer='rmsprop' model.fit_generatortrain，epochs=1，verbose=1 p_列车=模型预测发电机列车 p_测试=模型。预测_生成测试 对其他章节的进一步评论 model.addLSTM6，input_shape=1，look_back，activation='relu'-输入形状应符合长度、特征。在这种情况下，如果length==features，事情就会解决。如果您想要更大的向后看，您确实需要更新此代码以输入\u shape=look\u back，1

testpredict=np.arraytestpredict.reformelentestpredict，1-这是不必要的。如果只有一个输出，并且其形状已经是samples，output_units=lentestX，1，则Modelpredict已经输出了一个ndarray

当处理非常大的序列时，LSTMactivation='relu'通常会导致不稳定性。把它留在田里通常是个好主意

---

trainX和testX的形状是什么？乍一看，您的输入形状似乎是错误的。在您的例子中，第一个维度表示序列长度回望，下面的维度表示实际的数据形状。实际上，我用于为LSTM创建数据的函数实际上导致了一个问题

def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
    #for i in range(len(dataset)-look_back):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)