LSTM时间序列预测中预测曲线相对实际曲线右移问题排查

我使用LSTM进行时间序列预测，输入特征为过去5小时的空气污染水平，预测目标是下一小时的空气污染水平。模型看似运行正常，但实际数据与预测数据存在严重偏差，表现为预测曲线相对实际曲线向右偏移（见下图）。请问该问题的成因可能是什么？

# 归一化
main_scaled=sc.fit_transform(dataset_main)
print("main-scaled : \n",main_scaled)

# 划分数据集
training_set_scaled = main_scaled[0:16560]
print("train_scaled: \n",training_set_scaled)

validation_set_scaled=main_scaled[16560:23160]
print("validation_scaled: \n",validation_set_scaled)

test_set_scaled=main_scaled[23160:28200]
print("test_scaled: \n",test_set_scaled)

# 构造x_train和y_train
x=[]
x_train = []
y_train = []
time_step=5
for i in range(time_step, 16560):
    x=training_set_scaled[i-time_step:i,0]
    y=training_set_scaled[i,0]

    if(np.isnan(x).any()==False and math.isnan(y)==False):
      x_train.append(x)
      y_train.append(y)
x_train, y_train = np.array(x_train), np.array(y_train)
print("x_train is :",(x_train))

x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))
print("x-train: \n",x_train ,"\n y-train:",y_train)

# 构造x_val和y_val（验证集）
inputs1 = main_scaled[len(training_set_scaled)-5:len(training_set_scaled)+len(validation_set_scaled):]
print("inputs1 :\n ", inputs1) # 把训练集最后5条数据加到验证集开头

x2=[]
x_val = []
y_val = []
time_step=5
for i in range(time_step, 6605):
    x2=inputs1[i-time_step:i,0]
    y2=inputs1[i,0]
    if(np.isnan(x2).any()==False and math.isnan(y2)==False):
      x_val.append(x2)
      y_val.append(y2)
x_val, y_val = np.array(x_val), np.array(y_val)
x_val = np.reshape(x_val, (x_val.shape[0], x_val.shape[1], 1))

# 定义模型
model = Sequential()
model.add(LSTM(units = 32, return_sequences = True, input_shape = (x_train.shape[1], 1)))
model.add(Dropout(0.2))

model.add(LSTM(units = 16, return_sequences = False))
model.add(Dropout(0.2))

model.add(Dense(units = 1))

model.compile(optimizer = 'adam', loss = 'mean_squared_error' , metrics=['mae'])

history=model.fit(x_train, y_train, epochs = 9, batch_size = 32, validation_data=(x_val,y_val))

• 数据对齐错误：验证集构造时，range(time_step, 6605)的终点有误。验证集原始长度是6600，加上训练集最后5条后inputs1总长度为6605，i的有效范围应该是range(time_step, 6604)，否则会超出索引范围，导致部分样本输入输出错位，最终预测曲线偏移。同时要确认原始数据的时间戳是否完全连续，无间隔不一致的情况。
• 数据泄露（归一化错误）：直接用整个数据集拟合归一化器sc，再转换所有数据集，会让模型在训练时间接获取到验证集、测试集的统计信息，导致泛化能力下降，预测时出现偏移。正确做法是用训练集单独拟合scaler，再分别转换训练、验证、测试集。
• 模型拟合不足：当前LSTM单元数量较少（32、16），且训练轮次仅9次，模型可能还未充分学习到时间序列的依赖关系，只能拟合出滞后的趋势。可以尝试增加训练轮次，或者提升LSTM单元规模，暂时去掉Dropout观察拟合效果。
• 特征单一：仅用过去5小时的污染值作为输入，无法捕捉影响空气污染的其他关键因素（如气象条件、排放源变化等），模型只能依赖历史值的自相关，容易生成滞后的预测结果。
• 预测逻辑问题：如果预测阶段采用滚动预测（用前一次预测值作为下一次输入），会导致误差累积，曲线逐渐偏移。需确认预测时是否始终使用真实历史数据构造输入。

内容的提问来源于stack exchange，提问作者baran