已训练的LSTM模型在第二个数据集上预测效果不佳。

1. 检查第二个数据集的数据格式和模型训练时的数据格式是否一致，并进行必要的数据预处理。

2. 调整LSTM模型的超参数，例如增加LSTM单元的数量、调整学习率和训练迭代次数等。

以下是一个简单的示例代码，展示如何调整LSTM模型的参数：

# 导入必要的库
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 定义训练数据集和标签
X_train = np.array(...)
y_train = np.array(...)

# 定义LSTM模型，并设置超参数
model = Sequential()
model.add(LSTM(units=128, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dense(units=1))
model.compile(optimizer='adam', loss='mse')

# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=32)

# 读取第二个数据集
X_test = np.array(...)
y_test = np.array(...)

# 对第二个数据集进行预测，并计算均方误差
y_pred = model.predict(X_test)
mse = np.mean((y_pred - y_test)**2)
print("均方误差：{}".format(mse))

在上述代码中，我们调整了LSTM单元的数量为128，并设置了50个训练迭代次数。我们还使用了Adam优化器和均方误差损失函数来编译模型。最后，我们使用model.predict()对第二个数据集进行预测，并计算了预测误差的均方误差。根据均方误差，我们可以评估模型的预测准确性并进一步调整模型参数。