LSTM时序预测模型准确率低、RMSE高 增加Epoch无效如何优化

你的模型存在多个逻辑错误和结构设计问题，按优先级调整如下： #

核心问题排查与修复 #

1. 修正基础逻辑错误 #

• 首先删除metrics=['accuracy']：这是分类任务专属指标，回归任务用MSE/RMSE/MAE评估即可，该指标对你的任务完全无参考价值，是你误以为“准确率极低”的核心原因之一。
• 修复归一化数据泄露：你当前对全量数据集做归一化后再切分训练/测试集，会把测试集的数值分布信息泄露到训练过程，导致测试结果失真。正确做法是仅用训练集拟合归一化器，再分别转换训练集、测试集。
• 删除冗余代码：你在生成trainX/trainY后又重复生成了一遍Xdata_train/Ydata_train，属于无意义冗余，直接用前面生成的训练集即可。

2. 调整模型结构与激活函数 #

当前模型结构存在梯度消失、正则化位置错误问题：

• 去掉最后一层LSTM的sigmoid激活，换成relu即可：sigmoid输出范围狭窄，多层网络叠加后很容易出现梯度饱和，导致模型学不动，这也是你增加epoch效果无变化的核心原因之一。
• Dropout层不要放在全连接层之后，在两层LSTM之间插入Dropout做正则化，防止过拟合，Dropout率设0.1-0.2即可，不要太高。
• 删除冗余全连接层：两层50单元的全连接层对于单变量时序预测容量过剩，容易过拟合且收敛慢，LSTM输出后接1层小维度全连接即可。
• 削减LSTM层数：三层50单元LSTM对于单特征时序预测来说参数过多，很容易卡在局部最优，保留2层LSTM足够。

3. 修正训练超参数 #

• 把batch_size=1改成32或者64：单样本在线学习梯度波动极大，模型会在局部最优点反复震荡，根本没法持续收敛。
• 学习率不要一开始就设1e-4这么小，先用Adam默认的1e-3训练，观察loss下降情况，如果后期震荡再调低学习率，配合学习率衰减策略效果更好。
• epochs不用手动设固定值，加早停回调EarlyStopping，监控验证集loss，连续5轮不下降就停止训练，避免无效训练。
• 时序任务必须保持shuffle=False，这点你写的是对的，不用修改。

4. 优化数据与窗口设置 #

• 从你提供的序列可视化结果看，数据存在明显的趋势性/周期性，属于非平稳序列，直接喂原始值LSTM很难学到规律：可以先做一阶差分去掉趋势，或者加入时间特征（比如周期位置编码、滑动平均统计特征）作为多特征输入，不要只用单变量原始值。
• look_back=15的窗口需要匹配数据周期：如果你的数据是按天采样，周期为7天/30天，15的窗口覆盖不了完整周期，模型学不到周期规律，可以做窗口大小的网格搜索，选验证集loss最低的窗口值。

修正后的参考代码 #

import numpy as np
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout
from keras.callbacks import EarlyStopping, ReduceLROnPlateau

# 1. 先切分数据集再做归一化，避免数据泄露
train_size = int(len(df) * 0.8)
train_df = df.iloc[:train_size, :]
test_df = df.iloc[train_size:, :]

scaler = MinMaxScaler(feature_range=(0, 1))
# 仅用训练集拟合scaler
train_scaled = scaler.fit_transform(train_df)
test_scaled = scaler.transform(test_df)

def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

look_back = 15 # 可根据数据周期调整，比如尝试7/14/30
trainX, trainY = create_dataset(train_scaled, look_back)
testX, testY = create_dataset(test_scaled, look_back)

#  reshape输入为[样本数, 时间步, 特征数]
trainX = np.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))
testX = np.reshape(testX, (testX.shape[0], testX.shape[1], 1))

# 2. 重构模型
model = Sequential()
model.add(LSTM(32, activation='relu', return_sequences=True, input_shape=(look_back, 1)))
model.add(Dropout(0.1))
model.add(LSTM(32, activation='relu', return_sequences=False))
model.add(Dropout(0.1))
model.add(Dense(16, activation='relu'))
model.add(Dense(1)) # 回归输出层用默认线性激活，无需额外加激活函数

# 3. 编译模型，回归任务不要加accuracy指标
model.compile(optimizer='adam', loss='mean_squared_error')

# 加训练回调：早停+学习率自动衰减
callbacks = [
    EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True),
    ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=3, min_lr=1e-5)
]

# 4. 训练，从训练集拆分10%作为时序验证集
history = model.fit(
    trainX, trainY,
    batch_size=32,
    epochs=100,
    validation_split=0.1, # shuffle=False时自动取训练集最后10%做验证，符合时序要求
    shuffle=False,
    callbacks=callbacks
)

# 预测后必须做逆归一化还原到原始尺度，再计算RMSE才有意义
train_pred = scaler.inverse_transform(model.predict(trainX))
test_pred = scaler.inverse_transform(model.predict(testX))
trainY_real = scaler.inverse_transform(trainY.reshape(-1,1))
testY_real = scaler.inverse_transform(testY.reshape(-1,1))

额外注意点 #

• 计算RMSE的时候必须把预测值和真实值做逆归一化还原到原始尺度，你之前算的RMSE=35如果是归一化后的值完全没有参考意义。
• 如果调整后模型效果还是不好，可以尝试把LSTM换成双向LSTM，或者加入注意力机制，优先把前面的基础逻辑错误改完再调试复杂结构。

内容的提问来源于stack exchange，提问作者user17091916