我正在尝试在Keras中实现一个多步预测的LSTM模型。数据的形状如下：
X : (5831, 48, 1)y : (5831, 1, 12)我尝试使用的模型是：
power_in = Input(shape=(X.shape[1], X.shape[2]))power_lstm = LSTM(50, recurrent_dropout=0.4128, dropout=0.412563, kernel_initializer=power_lstm_init, return_sequences=True)(power_in)main_out = TimeDistributed(Dense(12, kernel_initializer=power_lstm_init))(power_lstm)当我尝试这样训练模型时：
hist = forecaster.fit([X], y, epochs=325, batch_size=16, validation_data=([X_valid], y_valid), verbose=1, shuffle=False)我得到了以下错误：
ValueError: Error when checking target: expected time_distributed_16 to have shape (48, 12) but got array with shape (1, 12)如何解决这个问题？
回答：
根据你的评论：
我拥有的数据类似于t-48, t-47, t-46, ….. , t-1作为过去的数据，而t+1, t+2, ……, t+12是我想要预测的值
你可能根本不需要使用TimeDistributed层：首先，去掉LSTM层的return_sequences=True参数。做完这个操作后，LSTM层将把过去的时间序列输入编码成形状为(50,)的向量。现在你可以直接将其输入到一个具有12个单元的Dense层：
# 确保标签的形状为(num_samples, 12)y = np.reshape(y, (-1, 12))power_in = Input(shape=(X.shape[1:],))power_lstm = LSTM(50, recurrent_dropout=0.4128, dropout=0.412563, kernel_initializer=power_lstm_init)(power_in)main_out = Dense(12, kernel_initializer=power_lstm_init)(power_lstm)或者，如果你想使用TimeDistributed层，并且考虑到输出本身是一个序列，我们可以通过在Dense层之前添加另一个LSTM层来明确地强制执行这种时间依赖性（在第一个LSTM层之后添加一个RepeatVector层，使其输出成为长度为12的时间序列，即与输出时间序列长度相同）：
# 确保标签的形状为(num_samples, 12, 1)y = np.reshape(y, (-1, 12, 1))power_in = Input(shape=(48,1))power_lstm = LSTM(50, recurrent_dropout=0.4128, dropout=0.412563, kernel_initializer=power_lstm_init)(power_in)rep = RepeatVector(12)(power_lstm)out_lstm = LSTM(32, return_sequences=True)(rep)main_out = TimeDistributed(Dense(1))(out_lstm)model = Model(power_in, main_out)model.summary()模型摘要：
_________________________________________________________________Layer (type) Output Shape Param # =================================================================input_3 (InputLayer) (None, 48, 1) 0 _________________________________________________________________lstm_3 (LSTM) (None, 50) 10400 _________________________________________________________________repeat_vector_2 (RepeatVecto (None, 12, 50) 0 _________________________________________________________________lstm_4 (LSTM) (None, 12, 32) 10624 _________________________________________________________________time_distributed_1 (TimeDist (None, 12, 1) 33 =================================================================Total params: 21,057Trainable params: 21,057Non-trainable params: 0_________________________________________________________________当然，在这两种模型中，你可能需要调整超参数（例如LSTM层的数量，LSTM层的维度等）以便能够准确地比较它们并取得良好的结果。
补充说明：实际上，在你的情境下，你根本不需要使用TimeDistributed层，因为（目前）Dense层是应用在最后一个轴上的。因此，TimeDistributed(Dense(...))和Dense(...)是等价的。
