为什么我的 LSTM 模型在验证集上的预测几乎是直线？

Question

我训练了一个关于股票价格的 BI-LSTM 模型。 对于这个模型，我做了两种回测方法：

1. 对整个验证集应用预测函数，然后将预测与真实数据进行比较
2. 根据每天的预测来预测整个验证集，然后用它来预测第二天，依此类推。

使用 1) 方法，结果看起来相当不错，RMSE 接近 0.25，这可以告诉我该模型在测试集上具有良好的性能，如下：

使用的代码：

 pas = 20
 train_len=5586
 test_data = df_scaled[train_len - pas: ]
    print ('len(test_data):', len(test_data))

    # Create the data sets x_test and y_test
    x_test = []
    y_test = df[train_len:, :]
    for i in range(pas, len(test_data)):
        x_test.append(test_data[i-pas:i, 0])
    # Convert the data to a numpy array
    x_test = np.array(x_test)

    # Reshape the data
    x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1 ))

    # Get the models predicted price values
    fichier_modele = f"{symbols}.h5"
    model = load_model(fichier_modele)
    predictions = model.predict(x_test)
    scaler2=dictio_scalers[symbols]

    predictions = scaler2.inverse_transform(predictions)

但是使用2）方法，模型预测几乎是一条直线，

使用的代码：

Pred_Array_Global=df[int(train_len)-pas:int(train_len)]

 # Get the models predicted price values
fichier_modele = f"{symbols}.h5"
model = load_model(fichier_modele)
scaler2=dictio_scalers[symbols]
Pred_Array_Global=scaler2.fit_transform(Pred_Array_Global)

for i in range(0,len(test['Close'])):
    Pred_Array_Global=np.array(Pred_Array_Global)
    Pred_Array=Pred_Array_Global[i:i+pas]
    # Convert the data to a numpy array
    Pred_Array = np.array(Pred_Array)

    
    # Reshape the data
    Pred_Array_Input = np.reshape(Pred_Array,(1,pas, 1 ))
    predictions = model.predict(Pred_Array_Input,verbose=0)

    Pred_Array_Global=np.append(Pred_Array_Global,predictions)
    

Pred_Array_Global=Pred_Array_Global.reshape(-1,1)
Pred_Array_Global = scaler2.inverse_transform(Pred_Array_Global)

由于模型在整个测试数据上表现非常好，如果我想每天进行预测，我预计性能会略有下降，但不是直线！

我的代码有错误吗？

注意：这是我用来构建模型的代码（epochs=2000，batch_size=256）：

model = Sequential()
model.add(Bidirectional(LSTM(units=128, input_shape=(20, 1))))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs,verbose=0)
fichier_modele = f"{symbols}.h5"
model.save(fichier_modele)

Answer 1

您的两种方法是两个不同的问题。这取决于您想要预测未来多久。

通过您的训练代码，它是为模型学习预测未来一步而设计的。然后，您将未来的地面实况数据作为模型的输入，以便在验证阶段输入模型的值看起来很可能是经过训练的数据，这就是它提供良好性能的原因。

使用第二种方法，这是长期预测问题，您希望模型根据过去的 K 步来预测未来的 N 步，这显然比第一种方法更难，而且这不是您训练模型的内容学习。但你仍然可以使用 LSTM 来做到这一点，看看递归预测。