LSTM训练准确率高但训练集预测效果差问题排查（双摆时序预测场景）

你的代码存在4个核心错误，直接导致训练指标虚高、预测结果失真：

• 错误使用分类指标评估回归任务
  accuracy是分类任务专属指标，计算逻辑是判断预测值与真实值是否完全相等，对连续值回归任务完全无参考意义。你看到的0.42到0.82的准确率是Keras对连续值做阈值截断后得到的虚假结果，根本不能反映模型拟合效果。双摆状态预测是典型的回归任务，应该监控MSE、MAE这类连续值误差指标。
• 时序样本构造逻辑错误，完全浪费LSTM能力
  你将数据reshape为(2001, 1, 4)，相当于每个输入序列的时间步长度只有1，LSTM无法学习任何时序依赖关系，本质和单个全连接层的效果没有区别。同时你搭配了return_sequences=True和TimeDistributed层，这两个配置是用于输出和输入等长的序列结果的，在序列长度为1的场景下完全是冗余配置，只会增加无效计算。
• 输出层激活函数选择错误
  你在输出层使用了LeakyReLU作为激活，该激活函数多用于隐藏层引入非线性，回归任务的输出层需要拟合任意范围的连续值，应该直接使用线性激活（即Dense层默认不指定激活函数），带激活的输出层会限制输出值的分布范围，直接导致预测值偏移。
• 训练流程缺失关键步骤，存在欠拟合问题
  一是没有做特征归一化：双摆的角度、角速度两类特征数值范围差异较大，不归一化会大幅降低模型收敛效率，放大拟合误差；二是训练轮次过少，20轮对于动力学系统拟合任务远远不够；三是在样本量仅2000条的小数据集上直接加0.2的dropout，很容易导致模型欠拟合，无法学到真实的状态映射关系。

修正方案参考 #

按照以下逻辑调整即可得到符合预期的效果：

1. 先对4维状态特征做标准化处理，消除特征尺度差异
2. 用滑动窗口构造时序样本，建议窗口大小设为5~20，即输入连续N个时刻的状态，输出第N+1个时刻的状态，让LSTM真正学到时序动力学规律
3. 移除输出层的激活函数，删掉冗余的return_sequences=True和TimeDistributed配置
4. 训练时移除无效的accuracy指标，增加早停机制，先在无dropout/低dropout的配置下让模型收敛，再根据验证集效果调整正则强度

修正后的核心代码参考：

import numpy as np
from tensorflow import keras
import tensorflow as tf

# 特征标准化
feat_mean = full_sol.mean(axis=0)
feat_std = full_sol.std(axis=0)
full_sol = (full_sol - feat_mean) / feat_std

# 滑动窗口构造数据集，窗口大小设为10
window_len = 10
X, y = [], []
for i in range(window_len, len(full_sol)):
    X.append(full_sol[i-window_len:i, :])
    y.append(full_sol[i, :])
X = np.array(X)
y = np.array(y)

# 构建模型
model = keras.Sequential([
    keras.layers.LSTM(64, input_shape=(window_len, 4)),
    keras.layers.Dense(4) # 输出层默认线性激活，无需额外激活函数
])
model.compile(
    loss="mean_squared_error",
    optimizer=keras.optimizers.Adam(learning_rate=1e-3),
    metrics=["mae"] # 回归任务用MAE做评估指标
)

# 加早停防止过拟合
early_stop = keras.callbacks.EarlyStopping(patience=15, restore_best_weights=True)
model.fit(X, y, epochs=200, validation_split=0.2, callbacks=[early_stop])

# 预测时需要对输入做同样的标准化，输出结果反标准化还原真实量纲
test_input = full_sol[:window_len, :].reshape(1, window_len, 4)
pred_norm = model.predict(test_input, verbose=0)
pred = pred_norm * feat_std + feat_mean # 反归一化
true_val = full_sol[window_len, :] * feat_std + feat_mean

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