LSTM递归多步预测结果异常排查：问题根源何在？

一、核心数据标签错误 #

你的df_to_X_y函数中，标签取的是data[i + window_size, 0]，对应x列，但你要预测的是z，而data是np.column_stack((x,y,z))，z的索引应为2（从0开始计数）。这直接导致模型训练目标完全偏离，学的是预测x而非z。

修正后的df_to_X_y函数：

def df_to_X_y(data, window_size=9):
    X = []
    y = [] 
    for i in range(len(data) - window_size):  
        row = data[i:i + window_size]         
        X.append(row)                         
        label = data[i + window_size, 2]  # 改为索引2，对应z列
        y.append(label)                       
    return np.array(X), np.array(y)

二、递归预测的输入更新错误 #

在forecast方法中，你把预测值更新到了输入的第0列（x的位置），但应更新到z所在的第2列，错误的输入更新会导致后续递归预测完全失效。

修正后的forecast方法关键代码：

def forecast(self, initial_input, num_steps):
    predictions = []
    current_input = initial_input.clone()

    for _ in range(num_steps):
        next_output = self.forward(current_input)  
        predictions.append(next_output.unsqueeze(1))
        
        next_input = current_input.clone()
        next_input[:, :-1, :] = current_input[:, 1:, :]
        next_input[:, -1, 2] = next_output.squeeze(1)  # 改为索引2，更新z列
        current_input = next_input

    return torch.cat(predictions, dim=1)

三、其他优化建议 #

• 归一化数据：时间序列数据未做归一化会大幅降低模型收敛效率，建议用StandardScaler或MinMaxScaler对输入数据做归一化，预测后再反变换回原尺度。
• 调整超参数：
  • 学习率0.04过高，建议下调至0.001~0.01区间，避免训练震荡。
  • 3层LSTM易引发过拟合，可先尝试1层或2层，观察训练/测试损失变化。
  • 训练轮数50可能不足，可增加到100~200轮，同时加入早停机制（Early Stopping）防止过拟合。
• 缓解递归误差累积：多步递归预测本身会累积误差，若x、y的未来值已知，可尝试滚动预测（每一步用真实x、y输入，仅预测z）；或直接训练模型输出多时间步的z值，替代递归方式。

内容的提问来源于stack exchange，提问作者NGA