为何增加输入特征数量无法提升LSTM臭氧预报模型的性能？

• 特征冗余导致新增信息为0：温度、相对湿度和你新增的太阳辐射、风速存在强时序共线性。比如近地面温度直接受太阳短波辐射调控，晴朗高辐射场景下气温同步升高、相对湿度同步下降；风速和相对湿度也存在显著负相关，大风会加速水汽扩散降低局地相对湿度。LSTM本身具备时序特征提取能力，已经从温湿度的时序波动中捕获到了足够的辐射、风速隐含信息，新增的两个特征没有提供额外的有效输入。
• 新增特征信噪比过低：如果你的太阳辐射、风速数据存在观测噪声大、时空匹配精度不足的问题（比如辐射数据来自几十公里外的站点，风速是粗分辨率逐小时观测），噪声会完全掩盖特征的有效信号，模型无法从低质量数据中学习到和臭氧浓度相关的规律，自然不会带来性能提升。
• 研究区臭氧生成的主导因子限制：若你的研究区域属于VOCs控制区，臭氧生成速率对VOCs、NOx浓度的敏感度远高于辐射、风速等气象因子，本身气象因子里只有温湿度和臭氧的关联度最高，新增的辐射、风速对臭氧浓度变化的解释力本身就极弱，无法带来性能增益。
• 模型训练配置不合理：如果没有对特征做归一化处理，太阳辐射的数值范围（0~1200W/㎡）远大于温湿度的数值范围，模型权重会被大数值特征主导；或是你设置的L1/L2正则化强度过高，直接把新增特征的权重惩罚到接近0，相当于模型实际没有用到这两个特征，性能自然不会发生变化。
• 时序滞后效应未被有效捕捉：臭氧生成和辐射、风速的关联通常存在1~3小时的滞后效应，如果你直接输入的是和臭氧同期的辐射、风速特征，没有构造对应的滞后序列的话，LSTM无法学习到二者和臭氧的滞后关联，相当于这两个特征没有发挥作用。

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