Deep learning LSTM时间序列递归预测收敛到相同值

我正在使用LSTM进行时间序列序列预测。 我的目标是使用25个过去值的窗口，以便为接下来的25个值生成预测。我递归地这样做： 我使用25个已知值来预测下一个值。将该值附加为已知值，然后移动25个值并再次预测下一个值，直到我有25个新生成的值（或更多）

我正在使用“Keras”来实现RNN 架构：

regressor = Sequential()
regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], 1)))
regressor.add(Dropout(0.1))
regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.1))
regressor.add(LSTM(units = 50))
regressor.add(Dropout(0.1))
regressor.add(Dense(units = 1))
regressor.compile(optimizer = 'rmsprop', loss = 'mean_squared_error')
regressor.fit(X_train, y_train, epochs = 10, batch_size = 32)

问题: 递归预测总是收敛到某个值，无论之前的序列是什么

当然，这不是我想要的，我希望生成的序列会有所不同，这取决于我之前所做的，我想知道是否有人知道这种行为以及如何避免它。也许我做错了什么

我尝试了不同的纪元号码，但没有多大帮助，事实上，更多的纪元让情况变得更糟。更改批次大小、单位数量、层数和窗口大小也无助于避免此问题

我正在使用MinMaxScaler获取数据

编辑：

扩展新的测试输入：

dataset_test = sc.transform(dataset_test.reshape(-1, 1))

---

您是否以与以前相同的方式重新调整了新输入的比例？当然。是的，我做了。你能告诉我怎么做吗？另一个快速解决方法-尝试使用

predict\u on_batch

而不是

predict

我附加了测试数据的重新缩放OK-看起来不错-现在尝试使用

predict\u on_batch

而不是

predict

。