多变量LSTM模型预测结果缺乏波动性问题排查求助

我正在基于多变量LSTM模型开展时间序列预测任务，但遇到预测结果缺乏起伏、过于平滑的问题，尤其在第一个预测点之后表现明显。

模型架构 #

model.add(tf.keras.layers.InputLayer(input_shape=(60,25)))
model.add(LSTM(256, return_sequences=True))
model.add(tf.keras.layers.LayerNormalization())
model.add(Dropout(0.2))
model.add(LSTM(256, return_sequences=True))
model.add(tf.keras.layers.LayerNormalization())
model.add(Dropout(0.2))
model.add(LSTM(256, return_sequences=False))
model.add(tf.keras.layers.LayerNormalization())
model.add(Dropout(0.2))
model.add(Dense(30 * 3, activation=tf.keras.layers.LeakyReLU(alpha=0.1)))
model.add(Reshape([30, 3]))

数据集情况 #

• 共670000行数据，包含25个特征
• 任务逻辑：基于过去60个时间步的数据，预测未来30个时间步的3个目标特征
• 数据划分：采用步长为1的滑动窗口，按70:20:10比例划分为训练集、验证集和测试集
• 数据预处理：使用StandardScaler进行数据缩放，便于后续异常值检测
• 预测效果对比：某一特征的预测值与真实值对比图如下：
  

核心疑问 #

我的目标是一次性预测3个特征各自的30个时间步值，请问LSTM最后几层的处理是否正确？

已尝试的解决方案 #

• 超参数调优，涵盖：
  • 网络层数
  • 优化器（RMSprop、Adam、SGD）
  • LSTM/GRU单元数量
  • Dropout比率
  • 学习率（0.01、0.001、0.005）
  • 滑动窗口批量大小（64、128、256）
• 前4层预热训练
• 更换数据缩放方法（QuantileScaler、MinMaxScaler、PowerTransformer）

参考文档 #

TensorFlow官方LSTM层API文档

内容的提问来源于stack exchange，提问作者Pavol Krajkovič