我之前也碰到过类似的递归多步预测“坍缩”到固定值的情况，结合你的代码和描述，咱们来拆解可能的原因和对应的解决思路：

核心原因分析 #

1. 训练与推理场景的 mismatch #

你的模型是单步预测训练（用25个历史值预测下1个真实值），但推理时是递归多步预测（用前一次的预测值当输入）。训练时模型从未接触过带误差的预测值作为输入，一旦进入递归模式，误差会不断累积，模型很容易退化为预测序列的均值——毕竟MSE损失下，预测均值是最小化整体误差的“安全选择”。

2. 模型的均值回归倾向 #

MSE损失函数本身会引导模型趋向于预测数据的期望均值，尤其是当序列波动不大、训练数据中均值样本占比高时，模型会逐渐失去捕捉序列趋势的能力，递归几次后就会收敛到均值附近。

3. 归一化流程可能存在疏漏 #

你提到用了MinMaxScaler，但如果：

• Scaler是用测试集单独拟合的（而不是训练集），会导致缩放尺度不一致；
• 递归预测时，预测值的缩放/逆变换时机错误（比如提前逆变换后再加入窗口，破坏了缩放后的分布），也可能引发异常。

具体解决办法 #

1. 切换到多步预测训练模式 #

直接让模型学习预测未来25个值，而不是单步预测，让训练目标和推理需求对齐。修改模型输出层为Dense(units=25)，训练时输入25个历史值，输出对应后续25个真实值：

# 假设y_train已调整为形状(样本数, 25)的多步标签
regressor = Sequential()
regressor.add(LSTM(units = 100, return_sequences = True, input_shape = (25, 1)))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units = 100))
regressor.add(Dropout(0.2))
regressor.add(Dense(units = 25))  # 直接输出25个预测值
regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')
regressor.fit(X_train, y_train, epochs = 20, batch_size = 16)

这种方式避免了递归的误差累积，模型直接学习序列的多步依赖关系。

2. 引入教师强制（Teacher Forcing）训练 #

如果坚持用递归方式，可以在训练时混合真实数据和模型预测值作为输入，让模型适应带误差的输入：

• 训练时，一部分时间步用真实的下一个值作为输入，一部分用模型预测的值；
• 可以通过自定义训练循环实现，或者用tf.keras.utils.timeseries_dataset_from_array构建混合数据集。

3. 调整损失函数与正则化 #

• 替换或混合损失函数：比如用MSE+MAE的组合损失（loss = lambda y_true, y_pred: 0.5*tf.keras.losses.MSE(y_true, y_pred) + 0.5*tf.keras.losses.MAE(y_true, y_pred)），减少模型对均值的依赖；
• 增强正则化：把Dropout比例提高到0.2-0.3，给LSTM层添加kernel_regularizer=tf.keras.regularizers.l2(0.01)，防止模型过度拟合到“安全”的均值预测。

4. 修正归一化流程 #

• 确保Scaler仅用训练数据拟合：sc = MinMaxScaler(); sc.fit(X_train.reshape(-1, 1))，测试数据和预测值都用同一个scaler进行缩放/逆变换；
• 递归预测时，保持所有输入在缩放后的状态：每次得到预测值（缩放后），直接加入输入窗口，完成25步预测后，再统一逆变换回原始尺度。

5. 调整模型结构 #

• 试试双向LSTM：Bidirectional(LSTM(units=100, return_sequences=True))，捕捉序列的双向依赖关系；
• 替换为GRU层：GRU参数更少，有时在序列预测中对误差累积的鲁棒性更强；
• 添加BatchNormalization层：在Dense层前加入BatchNormalization()，稳定模型输出分布。

内容的提问来源于stack exchange，提问作者user3375448