Machine learning LSTM预测时间序列会产生奇怪的结果

我正试图预测未来几天的时间序列数据，看看过去几天，使用Keras。我的标签数据是未来多天的目标值，回归模型有多个输出神经元（时间序列的“直接方法”）

以下是使用60天历史记录预测10天的测试数据

如您所见，所有日期的未来值大致相同。我在这上面花了相当长的时间，必须承认我可能在LSTM方面遗漏了一些东西

以下是带有预测的训练数据：

为了确认我正在正确地准备数据，我创建了一个“跟踪数据集”，用于可视化数据转换。这是

数据集：

Open、High、Low、Close、Volume、OpenInt
111,112,113,114,115,0
121,122,123,124,125,0
131,132,133,134,135,0
141,142,143,144,145,0
151,152,153,154,155,0
161,162,163,164,165,0
171,172,173,174,175,0
181,182,183,184,185,0
191,192,193,194,195,0
201,202,203,204,205,0
211,212,213,214,215,0
221,222,223,224,225,0
231,232,233,234,235,0
241,242,243,244,245,0
251,252,253,254,255,0
261,262,263,264,265,0
271,272,273,274,275,0
281,282,283,284,285,0
291,292,293,294,295,0

使用2天历史的训练集，预测3天的未来值（我使用了历史天数和未来天数的不同值，这对我来说都是有意义的），不使用功能缩放，以便可视化数据转换：

X列车（6、2、5）
[[[111 112 113 114 115]
[121 122 123 124 125]]
[[121 122 123 124 125]
[131 132 133 134 135]]
[[131 132 133 134 135]
[141 142 143 144 145]]
[[141 142 143 144 145]
[151 152 153 154 155]]
[[151 152 153 154 155]
[161 162 163 164 165]]
[[161 162 163 164 165]
[171 172 173 174 175]]]
Y型列车（6，3）
[[131 141 151]
[141 151 161]
[151 161 171]
[161 171 181]
[171 181 191]
[181 191 201]]

测试集

X测试（6,2,5）
[[[201 202 203 204 205]
[211 212 213 214 215]]
[[211 212 213 214 215]
[221 222 223 224 225]]
[[221 222 223 224 225]
[231 232 233 234 235]]
[[231 232 233 234 235]
[241 242 243 244 245]]
[[241 242 243 244 245]
[251 252 253 254 255]]
[[251 252 253 254 255]
[261 262 263 264 265]]]
Y检验（6,3）
[[221 231 241]
[231 241 251]
[241 251 261]
[251 261 271]
[261 271 281]
[271 281 291]]

型号：

def CreateRegressionor（自，
优化器='adam'，
激活='tanh'，#RNN激活
init_mode='glorot_uniform'，
隐藏的神经元=50，
辍学率=0.0，
权重约束=0，
stateful=False，
#SGD参数
学习率=0.01，
动量=0）：
如果权重约束>0，则内核约束=最大范数（权重约束），否则为无
模型=顺序（）
添加（LSTM（单位=隐藏的神经元，激活=激活，内核初始化器=初始化模式，内核约束=内核约束，
return_sequences=True，input_shape=（self.X_train.shape[1]，self.X_train.shape[2]），stateful=stateful））
模型添加（辍学（辍学率））
添加（LSTM（单位=隐藏的神经元，激活=激活，内核初始化器=初始化模式，内核约束=内核约束，
return_sequences=True，stateful=stateful））
模型添加（辍学（辍学率））
添加（LSTM（单位=隐藏的神经元，激活=激活，内核初始化器=初始化模式，内核约束=内核约束，
return_sequences=True，stateful=stateful））
模型添加（辍学（辍学率））
添加（LSTM（单位=隐藏的神经元，激活=激活，内核初始化器=初始化模式，内核约束=内核约束，
return_sequences=False，stateful=stateful））
模型添加（辍学（辍学率））
添加模型（密集（单位=self.y_train.shape[1]））
如果（优化器=='SGD'）：
优化器=新加坡元（lr=学习率，动量=动量）
compile（优化器=优化器，loss='mean_squared_error'）
回归模型

…我使用以下参数创建：

self.createRegressionor（优化器='adam'，隐藏的神经元=100）

。。。然后像这样合适：

self.regressor.fit（self.X\u系列，self.y\u系列，历代=100，批量=32）

。。。并预测：

y_pred=self.regressor.predict（X_检验）

。。。或

y\u pred\u train=self.regressor.predict（X\u train）

---

我缺少什么？

您需要缩放…然后“取消缩放”您的outputs@MitchWheat我这样做是为了实际数据。我刚刚为这个数据集禁用了它来可视化我的数据转换，所以我可以确认我的数据数组生成正确。