如何基于现有LSTM销售预测模型实现未来2~5步的多步预测？

方案1：直接多输出法（推荐，步长固定到5步的场景改动最小） #

• 第一步：修改create_dataset函数，新增输出步长参数，直接生成对应多步的标签值

def create_dataset(dataset, look_back=6, n_steps_out=5):
    dataX, dataY = [], []
    # 循环边界调整为减去look_back和输出步长后再+1，避免索引越界
    for i in range(len(dataset)-look_back-n_steps_out+1):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        # 取look_back之后的n_steps_out个连续值作为预测目标
        dataY.append(dataset[i+look_back : i+look_back+n_steps_out, 0])
    return numpy.array(dataX), numpy.array(dataY)

• 第二步：修改模型输出层维度，同时可以适当调大LSTM单元数提升多步拟合能力

model = Sequential()
model.add(LSTM(8, input_shape=(1, look_back))) # 原2个单元拟合能力不足，可调整为4-16区间值
model.add(Dense(5)) # 输出维度和预测步长一致，比如要预测5步就设为5
model.compile(loss='mean_squared_error', optimizer='adam')

• 第三步：反归一化阶段对应调整维度即可，保证trainY、testY和预测结果的形状匹配
  该方法优势是不会累积预测误差，步长固定的场景下效果稳定，和你现有代码逻辑兼容性最高

方案2：递归预测法（适合步长不固定、需要灵活调整预测步数的场景） #

• 逻辑是用预测出的t+1步结果补充到输入序列中，再迭代预测后续步长，不需要修改训练逻辑，仅调整预测阶段代码即可

# 示例：基于最后一段已知序列预测未来5步
last_input = testX[-1] # 取最后一组长度为look_back的已知输入序列
future_pred = []
for _ in range(5):
    single_pred = model.predict(last_input.reshape(1, 1, look_back), verbose=0)
    future_pred.append(single_pred[0][0])
    # 更新输入序列：删除最早的一个值，加入刚预测出的新值
    last_input = numpy.append(last_input[:,1:], single_pred, axis=1)
# 最后对future_pred整体做反归一化即可得到真实尺度的预测值

该方法优势是灵活无需改动训练代码，缺点是预测步长越长，误差累积越明显

配套优化建议 #

• 可以逐阶计算RMSE指标，分别统计t+1到t+5每一步的误差，方便定位长步长预测的误差来源
• 如果销售数据存在明显的周/月周期，可以把look_back调整为和周期匹配的值（比如7、14、30），能有效提升长步长预测效果

内容的提问来源于stack exchange，提问作者Dominic