Tensorflow LSTM/GRU和重叠滑动窗口的使用

上下文

我目前正在Keras中使用LSTM/GRU进行一些实验。无论如何，以下问题也与这些网络的一般功能有关，这意味着答案不必是特定的

在我的实验中，我选择以

范围（10105,5）

的形式预测一个线性增长的时间序列，这样我显然会得到很好的结果。我的此数据生成器遵循教程（只是Keras’

TimeSeriesGenerator

的一个实现）

这将导致

8步/u历元

和

shape（8,1,2,2）

。 然后，我在Keras建立了一个简单的网络，我在

500个历史时期对其进行了培训：

model=Sequential（）
添加（GRU（100，activation='relu'，input_shape=（n_input，n_features），batch_size=1））#也可以是LSTM层
模型。在目标形状后添加（密集（2））#
compile（优化器='adam'，loss='mse'）

如果我预测一些数据之后像这样

x_input=np.数组（[[90,95]，[100,105]]）。重塑（（1，n_输入，n_特征））
yhat=model.predict（x_输入，verbose=0）

。。。结果/预测是
[[111.1233 116.97075]
（对于实验来说足够好了->正确是
[[110.0 115.0]]
）





我的问题

显然，500个纪元远远超出了这一数据量的需要

为了在不增加实际数据的情况下获得更多的训练数据（在真实场景中，这也不可能），我想出了使用重叠滑动窗口的想法（上面显示的批处理是不重叠的）

然后，批处理如下所示：

[[[10. 15.]
  [20. 25.]]] => [[30. 35.]]
[[[15. 20.]
  [25. 30.]]] => [[35. 40.]]
[[[20. 25.]
  [30. 35.]]] => [[40. 45.]]
...

理论上，这意味着我需要更多的批次，我认为培训质量会相应提高

无论如何，将此数据馈送到同一网络会导致以下预测：
[[121.1334.70979]
。好。。这些预测结果要糟糕得多

我现在的问题是：

这是LSTM/GRU的预期行为吗？为什么重叠窗口对他们来说是个问题
有没有办法在不破坏预测质量的情况下增加我的数据
[[[10. 15.]
  [20. 25.]]] => [[30. 35.]]
[[[15. 20.]
  [25. 30.]]] => [[35. 40.]]
[[[20. 25.]
  [30. 35.]]] => [[40. 45.]]
...