Python Keras批量在线培训预测而非学习

我一直在做一个兼职项目，试图和Keras一起学习机器学习，我想我被困在这里了

我的目的是预测拥有31个站点的公共共享系统的自行车可用性。目前，我只训练我的模型预测一个站点的可用性。我想通过批量培训进行在线预测。我想开始给它一些自行车，例如，

00:00

，有N个给定的时间步长加上一年中的某一天和工作日

输入数据如下：

• 一年中的某一天，编码为整数，1-JAN为0，2-JAN为1
• 以5'间隔编码为整数的时间与以前相同，00:00为0，00:05为1
• 工作日，再次编码为int

然后对这3列进行规范化，然后我添加引用自行车的列，它们是一个热编码，如果站点有20辆自行车，编码的数组长度将为21。接下来的教程或多或少地将数据转换为一个有监督的问题

现在，我将数据集分为训练样本（65%）和测试样本（35%）。然后将神经网络定义为：

model = Sequential()
model.add(LSTM(lstm_neurons, batch_input_shape=(1000, 5, 24), stateful=False))
model.add(Dense(max_cases, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics = ['accuracy', 'mse', 'mae'])

符合模型

for i in range(epochs):
    model.fit(train_x, train_y, epochs=1, batch_size=new_batch_size, verbose=2, shuffle=False)
    model.reset_states()

    w = model.get_weights()

精确的情节看起来不错，但损失一个做奇怪的事情

一旦培训结束，我预测值，我将从无状态更改为有状态，并修改批大小

model = Sequential()
model.add(LSTM(lstm_neurons, batch_input_shape=(1, 5, 24), stateful=True))
model.add(Dense(max_cases, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics = ['accuracy', 'mse', 'mae'])
model.set_weights(w)

现在，我使用以前得到的测试值进行预测

for i in range(0, len(test_x)):

    auxx = test_x[i].reshape((batch_size, test_x[i].shape[0], test_x[i].shape[1])) # (...,n_in,4)

    yhat = model.predict(auxx, batch_size = batch_size)

这就是结果，我将它放大一点，以便更仔细地观察，而不是拥挤的情节。它看起来一点也不坏，它有一些错误，但总的来说，预测看起来足够好了

在此之后，我创建了一组数据来进行在线预测和预测

for i in range(0,290):

    # ...

    predicted_bikes =  model.predict(data_to_feed, batch_size = 1)

   # ...

结果就是这条，一条连续的线

---

正如我在前面的图中所看到的，预测值像一个间隔一样移动到实际值，这使我认为神经网络已经学会重复先前的值。这就是为什么我在这里得到了一条直线。

你尝试过验证培训吗？是的，不幸的是结果是相同的。请你澄清一下（1）

batch\u input\u shape=（1000,5,24）的每个维度是什么意思？（2）使LSTM状态化用于在线预测的基本原理是什么？【批量大小、时间步长、功能】功能有3个（一年中的一天、一周、一次）和21个自行车（一个热编码）