TCN模型预测结果偏移1个时间步及过拟合判定咨询

• 基于TCN模型开展气温预测任务，目前已在小规模气温数据集上完成初步测试
• 本次搭建的是双变量TCN模型，输入特征为最高气温、最低气温两类时序数据，预测目标为最高气温
• 训练完成后观测到模型输出存在1个时间步的偏移，需确认该现象是否属于过拟合、预测结果曲线是否正常
• 预测结果曲线图：

i = Input(shape=(lookback_window, 2))
m = TCN(nb_filters = 64)(i)
m = Dense(3, activation='linear')(m)

model = Model(inputs=[i], outputs=[m])
model.summary()

• 模型结构摘要：

1. 1个时间步偏移不属于过拟合
   过拟合的核心表现是模型在训练集上拟合效果极好，但在测试集/验证集上效果骤降。你观测到的固定1步偏移是时间序列预测中非常典型的滞后预测问题，和过拟合特征完全不符。
2. 当前的预测曲线属于异常输出
   出现固定1步偏移基本是两类问题导致的：

• 数据集标签构造错位：构造训练样本时，大概率把输入时间窗口最后一个时刻的真实值，错设为了预测目标标签，相当于模型被训练成“输出输入窗口末尾的气温值”，自然会产生固定1步的偏移。
• 输出层配置和任务不匹配：你的任务是单步预测最高气温，属于单输出回归任务，但代码中最后一层Dense设置的输出维度为3，输出维度和任务目标不匹配，也会导致时序结果对齐异常。

3. 修正步骤

• 先核对样本构造逻辑：确保长度为lookback_window的输入时序段（对应时间范围为[t-lookback_window, t-1]），匹配的标签是t时刻的最高气温，不要把t-1时刻的最高气温错设为标签。
• 将最后一层Dense的输出维度从3修改为1，和单步预测的任务目标对齐后重新训练。
• 如果修正后仍存在轻微滞后，可以适当调大TCN的膨胀系数、扩大卷积核尺寸，强化模型对长程时序依赖的学习能力，避免模型只学到“相邻时刻数值最接近”的偷懒规律。

内容的提问来源于stack exchange，提问作者Priyadarshan S