我是一个初学者，正在尝试使用Keras处理时间序列数据应用。我创建了一个回归模型，并将其保存以便在不同的Python脚本中运行。

我处理的时间序列数据是按小时记录的，我使用保存的Keras模型来预测数据集中每一小时的值。（data = CSV文件被读取到pandas中）对于一年的时间序列数据，有8760个（一年中的小时数）预测，最后我尝试对预测值进行求和。

在下面的代码中，我没有展示如何重建模型架构（这是Keras保存模型的要求），代码是可行的，只是速度极慢。这种方法对于少于200个预测还可以接受，但对于8760个预测，代码运行得太慢，以至于无法完成。

我对数据库没有经验，但这是否比将8760个Keras预测存储在Python列表中更好的方法？感谢任何建议，我还在学习的过程中..

#设置初始循环参数 & 空列表用于存储建模数据
row_num = 0
total_estKwh = []
for i, row in data.iterrows():
    params = row.values
    if (params.ndim == 1):
        params = np.array([params])
    estimatedKwh = load_trained_model(weights_path).predict(params)
    print('Analyzing row number:', row_num)
    total_estKwh.append(estimatedKwh)
    row_num += 1
df = pd.DataFrame.from_records(total_estKwh)
total = df.sum()
totalStd = np.std(df.values)
totalMean = df.mean()

回答：

看起来你在没有明显理由的情况下让自己的生活变得非常困难…

首先，你不需要为每一行都加载模型 – 这太过分了！你应该将 load_trained_model(weights_path) 从 for 循环中移出，像这样:

model = load_trained_model(weights_path)  # 只加载一次

然后在循环中用以下代码替换相应的行:

estimatedKwh = model.predict(params)

其次，一行一行地调用模型进行预测同样效率低下；最好先将你的 params 准备成一个数组，然后将这个数组输入模型以获取批量预测。也忘了那个 print 语句吧..

总的来说，试试这个:

params_array = []
for i, row in data.iterrows():
    params = row.values
    if (params.ndim == 1):
        params = np.array([params])  # 这个if条件真的必要吗？？
    params_array.append(params)
params_array = np.asarray(params_array, dtype=np.float32)
total_estKwh = load_trained_model(weights_path).predict(params_array)
df = pd.DataFrame.from_records(total_estKwh)
total = df.sum()
totalStd = np.std(df.values)
totalMean = df.mean()