Python 调整LSTM自动编码器性能

我正在尝试建立一个多维时间序列的自动编码器。我在互联网上使用了各种各样的模板，但所有的模板都关注于如何让它运行，但还没有找到一个关于如何运行并获得一些有意义的结果的模板

我从这里开始学习教程：；这里有一个实际例子：

将numpy导入为np
从keras.models导入顺序
从keras.layers导入LSTM，RepeatVector
将matplotlib.pyplot作为plt导入
#这个序列来自MinMaxScaler。另一个问题是这是否是个好主意？
序列=np.数组（[[0.63306452,0.00714286]，
[0.42069892, 0.        ],
[0.36155914, 0.15      ],
[0.53629032, 0.12142857],
[0.32526882, 0.24285714],
[0.26344086, 0.52142857],
[0.        , 0.79285714],
[0.49731183, 0.71428571],
[0.60080645, 0.25714286],
[0.63037634, 0.11428571],
[0.70698925, 0.26428571],
[0.71774194, 0.21428571],
[0.6155914 , 0.10714286],
[0.56451613, 0.36428571],
[0.66397849, 0.2       ],
[0.76344086, 0.17857143],
[0.66801075, 0.07142857],
[0.66935484, 0.02857143],
[0.90725806, 0.32857143],
[1.        , 0.28571429],
[1.        , 0.4       ],
[0.81451613, 0.47857143],
[0.41532258, 0.52142857],
[0.55107527, 0.63571429],
[0.42741935, 0.40714286],
[0.56989247, 0.75      ],
[0.76075269, 0.55      ],
[0.69758065, 0.58571429],
[0.73521505, 0.89285714],
[0.77150538, 1.        ]])
n_in=len（序列）
dim_in=sequence.shape[1]
潜在尺寸=10
序列=序列。重塑（（1，n英寸，尺寸英寸））
模型=顺序（）
添加（LSTM（潜在尺寸，输入形状=（n英寸，尺寸英寸）））
model.add（RepeatVector（n_in））
model.add（LSTM（dim_-in，return_-sequences=True））
compile（优化器='adam'，loss='mse'）
model.summary（）
model.fit（sequence，sequence，epochs=1000，verbose=0）
yhat=model.predict（序列，详细=0）
plt.图（1）
小地块（221）
plt.plot（序列[0，：，0]）
小地块（223）
plt.plot（yhat[0，：，0]）
plt.子地块（222）
plt.plot（序列[0，：，1]）
plt.子地块（224）
plt.plot（yhat[0，：，1]）

我得到的结果不令人满意（上一行为实际值；下一行为自动编码器输出）：

解码系列缺少重要功能（如RHS中的峰值或LHS中的下降）。鉴于“压缩比”为30:10，我希望这些事件能够以某种方式反映出来。我尝试过处理年代、批量大小、各种激活和损失

我有什么明显的遗漏吗

我想在更大的序列上运行它（5000个时间点，每个时间点都有可能是高维的）。有什么建议吗

我应该完全改变我的方法吗？这篇博文的作者没有让它与LSTM一起工作