这是我的代码：

def create_dataset(signal_data, look_back=1):    dataX, dataY = [], []    for i in range(len(signal_data) - look_back):        dataX.append(signal_data[i:(i + look_back), :])        dataY.append(signal_data[i + look_back, -1])    return np.array(dataX), np.array(dataY)look_back = 20df = pd.read_csv('stock.csv')signal_data = df[["close", "open", "high", "low", "volume"]].values.astype('float32')scaler = MinMaxScaler()signal_data = scaler.fit_transform(signal_data)train_size = int(len(signal_data) * 0.80)test_size = len(signal_data) - train_sizetrain = signal_data[0:train_size]test = signal_data[train_size:]x_train, y_train = create_dataset(train, look_back)x_test, y_test = create_dataset(test, look_back)...model.add(LSTM)

当我执行predict = model.predict(x_test)和scaler.transfrom(predict)时，出现了错误：

on-broadcastable output operand with shape (5,1) doesn't match the broadcast shape (5,5)

数据集有5个特征。当我使用model.predict()时，输出形状为(n, 1)，但scaler.transform需要(n, 5)形状。

如果我在model.predict之前transform，我无法transform因为维度是3，

而如果我在model.predict之后transform，形状是(n, 1)，所以我无法transform。

因此，我无法对model.predict()应用scaler.transform。

如何解决这个问题？

回答：

你的问题有点不清楚，但根据你提供的信息，我提出以下观察。

你已经使用以下代码转换了整个数据集：

signal_data = scaler.fit_transform(signal_data)

因此，你不需要再次转换x_test。你可以直接在其上调用model.predict。如果你在新的数据上进行测试，而这些数据尚未按上述方式转换，那么你将需要转换它。请确保这个新的测试数据集也包含5个特征（而不是3个），因为你的模型是在5个特征上训练的。

最后，如果你希望将时间序列预测后的缩放数据转换回其原始版本，你可以使用MinMaxScaler实例的inverse_transform函数。