LSTM模型无法学习航空乘客时间序列长期模式问题排查

1. 序列特征与模型适配性偏差 #

航空乘客数据是带强季节性的指数增长序列，LSTM核心优势是捕获时序依赖关系，但如果输入里的增长信号被季节性波动掩盖，模型会优先拟合短期的周期性模式，主动忽略更弱的长期趋势。而全连接模型不依赖时序逻辑，靠全局统计映射就能直接学习到序列的整体增长特征，反而更适配这种"趋势信号弱但全局规律明显"的场景。

2. 归一化方式压制了增长信号 #

你采用的0-1全局归一化，会把后期指数增长的大数值压缩到和前期低数值相近的区间，导致增长趋势的信号被严重削弱。LSTM的门控机制对输入尺度敏感，这种被压缩后的微弱信号很难被模型识别。可以试试两种调整：

• 先对原始数据做对数变换，把指数增长转为线性增长后再归一化，放大趋势信号的辨识度；
• 改用滑动窗口归一化，用最近N步的均值和标准差做局部归一化，保留每个窗口内的增长幅度。

3. 滚动预测的误差累积效应 #

单步滚动预测时，每一步的预测值会作为下一步的输入，若初始阶段模型没学到趋势，后续输入里没有真实的增长信号，误差会不断累积，导致趋势偏离越来越大。要确认全连接模型的预测逻辑是否和LSTM一致——如果全连接是直接用真实历史数据做输入预测，而非滚动代入预测值，那它自然不会有误差累积的问题。

4. LSTM结构与训练设置的细节缺陷 #

• 隐藏层容量不足：如果LSTM神经元数量太少（比如默认的32/64），模型无法同时拟合季节性和长期趋势，会优先放弃趋势。试试把神经元数提升到128甚至256；
• 损失函数适配性差：MSE损失对后期大数值的偏差惩罚力度不够，模型会更关注拟合前期低数值的样本。换成MAE或Huber损失，能让模型对大误差更敏感，被迫重视趋势拟合；
• 缺乏正则化：航空乘客数据集只有144个样本，LSTM很容易过拟合短期噪声。在LSTM层后加入Dropout(0.2)或L2正则化，能让模型放弃局部噪声，聚焦全局趋势规律。

5. 输入未包含趋势辅助特征 #

纯原始时序数据里的趋势信号太隐晦，LSTM需要自行挖掘，而全连接可以直接利用人工特征。试试给输入序列添加时间步索引（比如第1个月、第2个月的数值），或者用STL分解出的趋势项作为额外特征拼接输入，帮LSTM快速定位到增长趋势的规律。

内容的提问来源于stack exchange，提问作者Tobias Weiland