多输入多输出的Keras模型中的维数不匹配

问：

我有一个数据集（表格形式），其中包含 192 行和 24 列。我的目标是将此数据集用作训练数据集，以预测（回归）未来几个步骤中每列的 24 个值。下图代表了这个想法：

如前所述，数据集有 192 行和 24 列。这个想法是使用 20 个步骤/样本（行）来预测接下来的 5 个步骤（行）。我将跳过初始数据预处理和加载的部分，并将在归一化阶段进行分层：

df_training = scaler.fit_transform(df_training)
print(df_training.shape[0], df_training.shape[1])

输出维度符合预期 （192， 24）。然后，我准备要提供给 Keras 模型的数据集。目标是拥有维度为 168、20、24 的X_train数据集（20，见图，是用于进行预测的步数）和y_train维度为 168、5、24 的数据集（5，见图，是需要预测的步数）：

def split_series(series, n_past, n_future):


  X, y = list(), list()
  for window_start in range(len(series)):
      past_lim = window_start + n_past
      future_lim = past_lim + n_future
      if future_lim > len(series):
          break
      past, future = series[window_start:past_lim, ], series[past_lim:future_lim, ]
    
      X.append(past)
      y.append(future)
  return np.array(X), np.array(y)

然后，我应用该函数来获取X_train并y_train：

X_train, y_train = split_series(df_training, 20, 5)

这导致维度 168,20,24 的X_train和维度 168,5,24 的y_train。 然后我进行重塑：

X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], X_train.shape[1]))
y_train = y_train.reshape((y_train.shape[0], y_train.shape[1], y_train.shape[2]))

输出为 168、24、20 和 168、24、5。 之后，我为 Keras 模型设置了输入和输出维度：

inp_dim = (X_train.shape[1], X_train.shape[2])
out_dim = y_train.shape[2]

结果是 （24,20） 和 （24）。 在下一步和最后一步中，我启动了训练过程（我计划使用 LSTM，因为它在处理回归相关问题时表现良好。该模型不是很先进，这里只是为了演示目的）：

# create and fit the LSTM network
model = Sequential()
model.add(LSTM(64, input_shape = (inp_dim), activation="relu"))
model.add(Dense(24))
model.compile(loss='mean_squared_error', optimizer='adam')
model.summary()

model.fit(X_train, y_train, epochs=100, batch_size=5, verbose=0)

这会导致错误：

Incompatible shapes: [3,5,24] vs. [3,24]
 [[{{node mean_squared_error/SquaredDifference}}]] [Op:__inference_train_function_39943]

我假设我在尺寸方面有一些问题。我发现了很多教程，解释了如何根据多个输入或单个输入/单个输出情况仅预测一个值。但是我仍然在努力理解如何在多输入/多输出的情况下正确管理维度。我将不胜感激任何调整尺寸的帮助和建议。先谢谢你！