Tensorflow Keras LSTM用于时间序列不良预测和收敛到不变值范围

模型：

def buildModel(neurons= 5, batch_size= 1, timestep=1, features=1):
    model = Sequential()
    model.add(LSTM(neurons, 
                   batch_input_shape=(batch_size, timestep, features), 
                   #return_sequences= True,
                   stateful=True))

    model.add(Dense(1))
    model.compile(loss='mean_squared_error', optimizer='adam',  
                  metrics=[metrics.MAPE, 'accuracy'])
    return model

测试RMSE:0.104 测试图：14.040

但当逐步进行多步预测时，预测结果迅速增加，然后稳定在一定范围内

时间序列是单变量的 任何与模型或时间序列预测问题相关的建议？

神经元=5，这是一个容量非常低的模型。可能不足以对目标时间序列函数建模

timesteps=1，这是时间序列，因此在做出正确预测之前，输出必须依赖于一定数量的timesteps。timesteps=1表示您的输出仅依赖于1个timestep

---

batch_size=1，这需要一段时间才能收敛。通常，这应该是2 16、32、64、128、256、512的幂。

感谢rowel提供的提示。我刚进入这个领域，需要一些帮助