科普：从时间序列数据到LSTM多步时序预测

从时间序列数据中，训练LSTM模型的过程中，有哪些重难点？首先，时间序列数据不是直接的"样本"，如何构造出"样本"？本文从这个角度出发，讨论再关的问题。

1、滑动窗口构造数据集

原始商品长时间序列：D1,D2,D3,D4,D5,D6,D7,... \\text{D1},\\text{D2},\\text{D3},\\text{D4},\\text{D5},\\text{D6},\\text{D7},\\dotsD1,D2,D3,D4,D5,D6,D7,...

采用固定窗口切分：

• 回看历史长度 T=3\boldsymbol{T = 3}T=3（使用过去3天数据作为输入序列）

• 预测步数 KaTeX parse error: Can't use function '\(' in math mode at position 13: \boldsymbol{\̲(̲\boldsymbol{\(H...（预测后续连续4天）

  窗口1：历史(D1,D2,D3) → 预测(D4,D5,D6,D7)
  窗口2：历史(D2,D3,D4) → 预测(D5,D6,D7,D8)

2、样本生成规则

从上述原始数据集中构造出样本集

针对单一商品，窗口每向后滑动一次，生成一条训练样本。

演示规模参数：

• 总样本数量 N=10\boldsymbol{N = 10}N=10
• 每日特征数 F=2\boldsymbol{F = 2}F=2（特征1：当日销量；特征2：是否节假日）

示例包含3个商品：商品0、商品1、商品2。不同商品原始时序长度不一致，最终滑动生成10条样本：

样本编号	属于哪个商品	历史窗口（输入）	需要预测未来4天（标签y）
0	商品0	D1,D2,D3	D4,D5,D6,D7
1	商品0	D2,D3,D4	D5,D6,D7,D8
2	商品0	D3,D4,D5	D6,D7,D8,D9
3	商品1	D1,D2,D3	D4,D5,D6,D7
4	商品1	D2,D3,D4	D5,D6,D7,D8
5	商品1	D3,D4,D5	D6,D7,D8,D9
6	商品1	D4,D5,D6	D7,D8,D9,D10
7	商品2	D1,D2,D3	D4,D5,D6,D7
8	商品2	D2,D3,D4	D5,D6,D7,D8
9	商品2	D3,D4,D5	D6,D7,D8,D9

说明：商品1原始时序更长，包含D10，因此额外生成样本6；商品0、商品2时序截止到D9，无法构造该窗口。

3、X_train：输入张量

形状：X_train.shape=(10,3,2)\boldsymbol{X\_train.shape=(10,3,2)}X_train.shape=(10,3,2)

索引规则：X_train[样本号, 历史时序位置, 特征序号]

以样本0（商品0，历史D1,D2,D3）：

X_train[0] = [
 [D1销量, D1是否节假日],
 [D2销量, D2是否节假日],
 [D3销量, D3是否节假日]
]

样本7（商品2，历史D1,D2,D3）：

X_train[7] = [
 [D1销量, D1是否节假日],
 [D2销量, D2是否节假日],
 [D3销量, D3是否节假日]
]

每一条 X_train[k] 对应一条独立时序样本；不同商品、不同滑动窗口相互独立。

4、y_train：标签张量

形状：y_train.shape=(10,4)\boldsymbol{y\_train.shape=(10,4)}y_train.shape=(10,4)

索引规则：y_train[样本号, 预测步]

y_train[0] = [D4销量, D5销量, D6销量, D7销量]  # 样本0未来4天真值
y_train[1] = [D5销量, D6销量, D7销量, D8销量]  # 样本1未来4天真值
y_train[2] = [D6销量, D7销量, D8销量, D9销量]
y_train[3] = [D4销量, D5销量, D6销量, D7销量]
......
y_train[9] = [D6销量, D7销量, D8销量, D9销量]

5、切片语法 y_train[:, i] 演示

: 代表选取全部样本；i 固定选取第 iii 个预测步。

示例取 KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲i=0\)（预测未来第1天）：

target = y_train[:, 0]
# target.shape = (10,)
target = [
    y_train[0,0],  # 样本0 D4销量
    y_train[1,0],  # 样本1 D5销量
    y_train[2,0],  # 样本2 D6销量
    y_train[3,0],  # 样本3 D4销量
    y_train[4,0],  # 样本4 D5销量
    y_train[5,0],  # 样本5 D6销量
    y_train[6,0],  # 样本6 D7销量
    y_train[7,0],  # 样本7 D4销量
    y_train[8,0],  # 样本8 D5销量
    y_train[9,0]   # 样本9 D6销量
]

6、训练逻辑：多独立模型基础循环

对给定下标 iii，提取单列标签作为目标，执行训练：

model.fit(X_train, target)

完整循环逻辑：

# 演示案例 range(4)；真实业务预测16天改为 range(16)
for i in range(4):
    # \(i=0\)：学习历史序列 → 预测未来第1天
    # i=1：学习历史序列 → 预测未来第2天
    target = y_train[:, i]
    # 新建模型并训练
    model.fit(X_train, target)

7、方案A：多个独立单输出LSTM

原理：循环依次取出每一列标签，分别训练独立模型 。

模型0预测未来第1天，模型1预测未来第2天......一共训练4个模型（业务场景16个）。

简易完整代码：

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 模拟维度
N, T, F, H = 10, 3, 2, 4
X_train = np.random.rand(N, T, F)
y_train = np.random.rand(N, H)

pred_result = []

def build_single_model():
    model = Sequential()
    model.add(LSTM(16, input_shape=(T, F)))
    model.add(Dense(1)) # 单输出
    model.compile(optimizer="adam", loss="mse")
    return model

# 循环训练H个独立模型
for i in range(H):
    target = y_train[:, i]
    model = build_single_model()
    model.fit(X_train, target, epochs=20, verbose=0)
    pred = model.predict(X_train, verbose=0)
    pred_result.append(pred)

# 拼接得到 (N,H) 的预测矩阵
pred_matrix = np.concatenate(pred_result, axis=1)
print(pred_matrix.shape) # (10,4)

特点：各预测任务参数独立、互不干扰；代价是多次训练，耗时更高。

8、方案B：单模型一体多输出LSTM（改造方案）

原理：不切片标签，直接使用完整二维标签 y_train (10,4)；

一个模型输入历史序列，一次性输出4个预测值，对应未来连续4天销量。

简易完整代码：

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

N, T, F, H = 10, 3, 2, 4
X_train = np.random.rand(N, T, F)
y_train = np.random.rand(N, H)

def build_multi_model():
    model = Sequential()
    model.add(LSTM(16, input_shape=(T, F)))
    model.add(Dense(H)) # 一次性输出H维
    model.compile(optimizer="adam", loss="mse")
    return model

model = build_multi_model()
model.fit(X_train, y_train, epochs=20, verbose=0)
pred_matrix = model.predict(X_train, verbose=0)
print(pred_matrix.shape) # (10,4)

特点：仅训练一次，速度更快；远近预测任务共享LSTM权重，存在梯度竞争。