直接用tf.keras.layers.LSTM易失效，主因是输入形状不符（需三维(batch_size, timesteps, features)，非一维序列）或训练与推理时timesteps不一致；归一化未同步、滑动窗口构造/预测逻辑错配亦致预测失准。
为什么直接用 tf.keras.layers.LSTM 容易预测失效
不是模型没学，是输入形状或时间步对不上。LSTM 层要求输入必须是三维：(batch_size, timesteps, features)，但很多人把原始一维时序直接喂进去，结果报错 ValueError: Input 0 is incompatible with layer lstm: expected ndim=3, found ndim=2。更隐蔽的问题是：训练时用了滑动窗口构造样本，但预测时忘了用最后 timesteps 个点拼成相同 shape 的输入，导致维度不匹配或预测值漂移。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
numpy手动构造滑动窗口，别依赖tf.data.Dataset.window()默认行为——它默认不 drop_remainder，容易让最后一个 batch 维度不一致 - 确认
timesteps在训练和推理时严格一致；预测前务必用np.expand_dims(..., axis=0)补 batch 维度 - 单变量预测也得是
(1, timesteps, 1)，不是(1, timesteps)
如何避免 model.predict() 返回全零或 NaN
常见于归一化没同步、梯度爆炸或学习率过高。尤其用 MinMaxScaler 或 StandardScaler 时，只对训练集 fit，却用整个数据集（含未来测试部分）transform，导致测试数据被“污染”，再反向还原时数值失真。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 归一化对象必须只在训练集上
fit_transform，测试/预测数据统一用训练集的scaler.transform—— 保存 scaler 对象，别重新 fit - 损失函数选
'mae'比'mse'更稳，尤其当序列存在尖峰；优化器优先用tf.keras.optimizers.Adam(learning_rate=0.001)，避免从 0.01 开始 - 加一层
tf.keras.layers.Dropout(0.2)在 LSTM 后，比堆叠多层 LSTM 更不容易发散
怎样让模型真正学到长期依赖，而不是拟合最近几个点
很多“时间序列模型”实际只是记忆滑动窗口内局部模式，对周期性、趋势突变完全无感。根本原因是窗口太短，或没引入外部特征（如星期几、是否节假日），又或者没用状态保持机制。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 窗口长度至少覆盖一个完整周期（比如电力负荷用 168 小时即一周，股票用 252 日即一年交易日），不能凭感觉设 10 或 20
- 用
return_state=True+stateful=True让 LSTM 跨 batch 保留隐藏状态，但必须配合固定batch_size和shuffle=False - 把时间戳转成周期性特征：例如
sin(2*np.pi * hour/24)和cos(2*np.pi * hour/24)，concat 到输入 feature 维度里
部署时 model.save() 保存的是什么，怎么加载后直接 predict
保存路径下有 saved_model.pb 和 variables/ 目录，但很多人加载后调用 predict() 报错 Input tensor not found，是因为没用 tf.keras.models.load_model()，而是手动重建结构再 load_weights。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 必须用
model.save('my_ts_model', save_format='tf')（不要用 h5 格式，TF 2.16+ 已弃用且不支持自定义层序列化） - 加载一律用
loaded_model = tf.keras.models.load_model('my_ts_model')，它会复原全部计算图、预处理逻辑和权重 - 加载后首次 predict 前，先喂一个 dummy 输入跑一次：
loaded_model(np.ones((1, timesteps, n_features)))，触发图构建，避免后续调用卡住
真正的难点不在写模型，而在确保训练、验证、预测三阶段的数据流 shape、scale、time-context 完全对齐。漏掉任意一环，模型就只是个拟合良好的幻觉。
