Python lstm预测结果延迟现象

最近我用lstm来预测时间序列。我正在使用Keras2.0构建我的lstm模型。它的结构如下：

model = Sequential()
model.add(LSTM(128, input_shape=(timesteps, 1), return_sequences=False, stateful=False)
model.add(Dropout(rate=0.1))
model.add(Dense(1))

我尝试使用这个网络来预测几个时间序列，包括

sin（t）

和一个真实的交通流数据集。我发现sin的预测很好，而对真实数据集的预测就像将最后一个输入值移动一步。我不知道这是一个预测错误还是网络根本不了解数据集的模式。有人得到类似的结果吗？有什么办法可以解决这个恼人的转变吗？谢谢。 以下是我的一些预测：

---

这只是你的人际网络的起点，你必须通过尝试各种方法来完成它

仅举几个例子：

• 尝试不同的窗口长度（输入网络的时间步长）
• 尝试添加密集层、多个LSTM层或更少的LTSM节点
• 尝试不同的优化器，具有不同的学习率
• 寻找要输入网络的其他数据点
• 你有多少数据？你可能需要更多来得到一个好的预测
• 尝试Y变量的不同偏移量，您需要多少时间步才能预测您的特定问题

---

名单还在继续……

非常感谢您的详细回答。这对我帮助很大。这个问题我在谷歌上搜索了很长时间，但还没有一个明确的答案。我将尝试上面列出的策略。我希望做一些改进。再次感谢你@你得到正确的预测结果了吗？如果是，你能分享你为纠正它所做的事情吗？我也得到了类似的结果，但我仍然只得到了类似的结果（延迟图）。我试图根据过去1年的每日数据预测未来一周的数据。这么多的数据足以进行预测吗？