LSTM做回归预测模型，数据为多输入单输出，代码内注释详细，可学习性强，替换数据就可以直接使用

咱们今天来整点实在的，手把手教大家用LSTM搞回归预测。直接上代码，保证你换了数据就能用，看完绝对能实操。先说说场景：假设你有三个传感器采集数据（温度、湿度、气压），要预测明天中午的PM2.5值，这就是典型的多输入单输出问题。

先整点模拟数据热热身：

import numpy as np
def create_dataset(data, look_back=24):
    X, Y = [], []
    for i in range(len(data)-look_back-1):
        X.append(data[i:(i+look_back), :])
        Y.append(data[i + look_back, -1])  # 最后一列是输出
    return np.array(X), np.array(Y)

# 构造样本：3个特征+1个目标值
data = np.array([[i*0.1, np.sin(i*0.3), np.cos(i*0.2), i%10] for i in range(1000)])
scaler = MinMaxScaler(feature_range=(0, 1))
data = scaler.fit_transform(data)

# 划分训练测试集
train_size = int(len(data) * 0.8)
X, y = create_dataset(data)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

这里有个骚操作：用滑动窗口生成时序样本。look_back参数控制历史步长，比如24小时数据预测下个时刻。注意最后一列是输出目标，标准化时别把特征和输出分开处理，保持数据分布一致。

模型搭起来要像搭乐高：

from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout

model = Sequential()
# 第一层LSTM必须指定input_shape和return_sequences
model.add(LSTM(64, activation='relu', 
               input_shape=(X_train.shape[1], X_train.shape[2]),
               return_sequences=True))
model.add(Dropout(0.2))  # 防过拟合神器
# 第二层LSTM不用再指定input_dim
model.add(LSTM(32, activation='relu'))
model.add(Dense(1))  # 回归任务只要一个输出神经元

model.compile(optimizer='adam', loss='mse')
print(model.summary())  # 打印网络结构，必看！

重点来了：LSTM层堆叠时，前一层要设置return_sequences=True，这样能传递三维数据给下一层。Dropout别超过0.3，不然模型学不动。最后一层Dense别加激活函数，回归任务要原始输出。

开始炼丹（训练）：

from keras.callbacks import EarlyStopping

# 早停法防止过拟合
early_stop = EarlyStopping(monitor='val_loss', patience=10, 
                          restore_best_weights=True)

history = model.fit(X_train, y_train, epochs=200, batch_size=32,
                    validation_split=0.2, 
                    callbacks=[early_stop],
                    verbose=1)

这里有个坑：batchsize别设太大，时序数据本身有连续性，建议用32或64。validationsplit自动从训练集划分验证集，比手动切更方便。训练曲线要是出现抖动，把adam换成RMSprop试试。

预测效果要可视化：

# 反标准化预测结果
y_pred = model.predict(X_test)
y_pred = scaler.inverse_transform(np.concatenate((X_test[:, -1, :-1], y_pred), axis=1))[:, -1]
y_true = scaler.inverse_transform(np.concatenate((X_test[:, -1, :-1], y_test.reshape(-1,1)), axis=1))[:, -1]

# 画对比曲线
plt.figure(figsize=(12,6))
plt.plot(y_true, label='True')
plt.plot(y_pred, label='Predicted', alpha=0.7)
plt.legend()
plt.show()

注意反标准化的时候要拼接原始特征维度，只对目标列做逆变换。如果直接scaler.inversetransform(ypred)会报错，因为特征数不匹配。

最后说几个替换数据时的注意事项：

1. 确保输入数据是三维结构：（样本数, 时间步, 特征数）
2. 输出列必须在数据最后一列
3. 如果特征量纲差异大，建议分开做标准化
4. 时间步长别超过100，LSTM对长序列处理能力会下降

完整代码已测试通过，扔进Colab就能跑。换个CSV文件，改改数据加载部分，你的回归预测模型就搞定了。遇到维度报错多半是reshape没弄好，记住输入必须是三维的！