Python Tensorflow中带有LSTM的时间序列预测模型预测一个常数

我正在利用卫星数据建立飓风路径预测器。我在多层LSTM模型中有多对多输出，输入和输出数组遵循结构[samples[time[features]]。我将飓风、WS和其他维度的坐标作为输入和输出的特征

问题是误差减少，因此，模型总是预测一个常数。在阅读了几篇文章之后，我对数据进行了标准化，删除了一些不必要的层，但模型总是预测相同的输出

我认为这个模型足够大，激活函数是有意义的，因为输出都在[-1；1]之内。 所以我的问题是：我做错了什么

模型如下所示：

class Stacked_LSTM():

    def __init__(self, training_inputs, training_outputs, n_steps_in, n_steps_out, n_features_in, n_features_out, metrics, optimizer, epochs):
        self.training_inputs = training_inputs
        self.training_outputs = training_outputs
        self.epochs = epochs

        self.n_steps_in = n_steps_in
        self.n_steps_out = n_steps_out
        self.n_features_in = n_features_in
        self.n_features_out = n_features_out
        self.metrics = metrics
        self.optimizer = optimizer

        self.stop = EarlyStopping(monitor='loss', min_delta=0.000000000001, patience=30)

        self.model = Sequential()
        self.model.add(LSTM(360, activation='tanh', return_sequences=True, input_shape=(self.n_steps_in, self.n_features_in,))) #, kernel_regularizer=regularizers.l2(0.001), not a good idea
        self.model.add(layers.Dropout(0.1))
        self.model.add(LSTM(360, activation='tanh'))
        self.model.add(layers.Dropout(0.1))
        self.model.add(Dense(self.n_features_out*self.n_steps_out))
        self.model.add(Reshape((self.n_steps_out, self.n_features_out)))
        self.model.compile(optimizer=self.optimizer, loss='mae', metrics=[metrics])

    def fit(self):
        return self.model.fit(self.training_inputs, self.training_outputs, callbacks=[self.stop], epochs=self.epochs)

    def predict(self, input):
        return self.model.predict(input)

注释 1） 在这个特殊的问题中，时间序列数据不是“连续的”，因为一个时间序列属于一个特定的飓风。因此，我对时间序列的训练和测试样本进行了调整，以适应每一场飓风。这意味着我不能在我的层中使用函数

stateful=True

，因为这意味着模型不会在不同的飓风之间产生任何差异（如果我的理解是正确的）

---

2） 没有图像数据，因此不需要卷积模型。

根据我的经验，有几点建议：

4层LSTM太多了。坚持两个，最多三个

不要将

relu

用作LSTM的激活

不要对时间序列使用

BatchNormalization

---

除此之外，我还建议移除两个LSTM层之间的致密层。

Hmmm。。。结果并不是真的更好，但感谢您的回复。最终，为什么在时间序列中使用BatchNormalization是错误的？实际上，模型总是预测相同的内容。您是否也需要以

[批处理、时间步、功能]

格式的输出？这就是为什么要重塑

稠密

层的输出？您不使用BatchNormalization Is time，因为您希望时间步长中的任何波动对模型可见。对于图像，这种波动可能是噪声。在时间序列中，它们可能是合法的数据。是的，我需要这种格式的输出，这就是为什么我在密集层之后对其进行重塑