Machine learning 时间序列预测（DeepAR）：预测结果似乎有基本缺陷

我正在使用DeepAR算法预测调查响应进度。我希望模型能够预测调查过程中接下来的20个数据点。在我的培训数据中，每次调查都是一个时间序列。每个时间序列的长度是调查的天数。例如，以下系列表明调查于2011年6月29日开始，最后一次答复于2011年7月24日收到（长度为25天）

如您所见，时间序列中的值可以保持不变或增加。训练数据永远不会显示下降趋势。令人惊讶的是，当我做出预测时，我注意到预测有下降的趋势。当训练数据中没有下降趋势的痕迹时，我想知道模型怎么可能知道这一点。对我来说，这似乎是预测中的一个基本缺陷。有人能解释一下为什么模型会这样吗？我用以下超参数构建了DeepAR模型。对模型进行了测试，RMSE约为9。如果我更改任何超参数会有帮助吗？对此有何建议

time_freq= 'D',
context_length= 30,
prediction_length= 20,
cardinality= 8,
embedding_dimension= 30,
num_cells= 40,
num_layers= 2,
likelihood= 'student-T',
epochs= 20,
mini_batch_size= 32,
learning_rate= 0.001,
dropout_rate= 0.05,
early_stopping_patience= 10 

---

如果所有时间序列都有上升趋势，那么学习这一点应该没有问题。如果您的时间序列通常有一个上升和下降的周期，那么算法可能会了解到这一点，从而生成类似的模式，即使您预测的示例到目前为止只有上升趋势。 你有多少个时间序列，平均有多长

---

你所有的超参数看起来都很合理，而且有点难说，在不了解更多数据的情况下应该改进什么。如果你没有那么多的时间序列，你可以尝试增加历次次数（可能尝试几百次），并将提前停止时间增加到20-30次。

感谢@vafl的回复。我有大约500个时间序列。所有这些时间序列的平均长度约为75。它们都只有上升的趋势。

time_freq= 'D',
context_length= 30,
prediction_length= 20,
cardinality= 8,
embedding_dimension= 30,
num_cells= 40,
num_layers= 2,
likelihood= 'student-T',
epochs= 20,
mini_batch_size= 32,
learning_rate= 0.001,
dropout_rate= 0.05,
early_stopping_patience= 10