Python 观测数量有限时的时间序列预测

我在Keras中训练了一个神经网络来预测每周的需求，并进行了所有的超参数调整，我能得到的最好的结果是下图。 我的理解是预测不好，原因有二：

我没有足够的观察（每周需求）

信号本身看起来非常随机，很难预测这种信号

你有处理类似时间序列数据的经验吗？你有什么建议吗

---

您使用的是哪种NN，以及如何培训模型？序列似乎很短。我使用LSTM（可能看起来有些过分）和以下超参数（在调优之后），n_input=[2]（这意味着将时间序列移动两次以创建更多输入）n_nodes=[10]n_epochs=[100]n_batch=[10]即使有大量的历史数据，时间序列预测在机器学习中也是一项极其困难的任务。一个建议是增加输入维度（数据中特征的数量），这样我们就可以将输入/输出相关性分解为输出和每个特征之间的一些相关性。另一个建议是找到足够长的输入序列，这更基于任务。为什么第一周的需求为零？@lalala，它实际上是从需求为46的第1周开始的（第0周不知何故从数据清理步骤中潜入）