Keras LSTM网络预测与输入一致

上面这句话听起来很理想，但我试图预测前面的一步，即向后看1。我的代码如下：

def create_scaled_datasets(data, scaler_transform, train_perc = 0.9):
    # Set training size
    train_size = int(len(data)*train_perc)
    # Reshape for scaler transform
    data = data.reshape((-1, 1))
    # Scale data to range (-1,1)
    data_scaled = scaler_transform.fit_transform(data)
    # Reshape again
    data_scaled = data_scaled.reshape((-1, 1))
    # Split into train and test data keeping time order
    train, test = data_scaled[0:train_size + 1, :], data_scaled[train_size:len(data), :]

    return train, test

# Instantiate scaler transform
scaler = MinMaxScaler(feature_range=(0, 1))

model.add(LSTM(5, input_shape=(1, 1), activation='tanh', return_sequences=True))
model.add(Dropout(0.1))
model.add(LSTM(12, input_shape=(1, 1), activation='tanh', return_sequences=True))
model.add(Dropout(0.1))
model.add(LSTM(2, input_shape=(1, 1), activation='tanh', return_sequences=False))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# Create train/test data sets
train, test = create_scaled_datasets(data, scaler)

trainY = []
for i in range(len(train) - 1):
    trainY = np.append(trainY, train[i + 1])

train = np.reshape(train, (train.shape[0], 1, train.shape[1]))
plotting_test = test
test = np.reshape(test, (test.shape[0], 1, test.shape[1]))

model.fit(train[:-1], trainY, epochs=150, verbose=0)
testPredict = model.predict(test)

plt.plot(testPredict, 'g')
plt.plot(plotting_test, 'r')
plt.show()

输出图为：

---

本质上，我想要实现的是让模型预测下一个值，我试图通过将实际值作为特征进行训练来实现这一点，标签是沿一个方向移动的实际值（回望1）。然后根据测试数据进行预测。从图中可以看出，这个模型做得很好，只是它似乎没有预测未来，而是预测了现在。。。我希望情节看起来类似，除了绿线（预测）向左移动一点。我已经尝试过增加回望值，但它似乎总是做同样的事情，这让我觉得我训练的模型是错误的，或者尝试的预测是错误的。如果我读错了，模型确实在做我想做的事情，但我解释错了（也很可能），那么我该如何预测未来？

添加@MSalters的评论，并在某种程度上基于此，这是可能的，尽管不能保证你能“帮助”你的模型学习比身份更好的东西，如果您强制它不学习下一步的实际值，而是让它学习从当前步骤到下一步的差异。
为了更进一步，您还可以保持指数移动平均值，并从中了解差异，有点像我们所做的那样

简言之，预测相同的值在统计学上是有意义的，因为这是一种低风险的猜测。也许学习差异不会收敛到零

---

我注意到的其他事情：

辍学-在您能够过度适应之前，无需使用任何标准化。这只会使调试复杂化

仅仅是回到过去的一步——很可能你正在丢失大量必需的信息，因此事实上迫使你的网络不知道该做什么，从而猜测相同的值。如果你在过去给它一个单一的值，它可以有一个很好的导数近似值。这听起来很重要（只有你知道）

---

很可能你的LSTM已经知道了你还没有学到的东西：考虑到所有过去的数据，未来最好的预测指标只是最后一个数据项。例如，在股票市场上，这是一个非常好的假设。其他数据系列可能是可预测的，但这不是给定的。