问用RNN(有状态LSTM)进行时间序列预测产生恒定值

EN

我有大约6年的时间序列每日数据(1.8000个数据点)。我试图预测下一个t+30值，即列车数据独立矩阵(X)=前30天值的序列-- Train (Y)=前30天值的第31天值。

我采用以下方法进行预测:首先预测y for t+1，然后将X矩阵行移动1天，并将预测的Y追加到该行的末尾，然后使用该行预测t+2值并继续。然而，在(通常) t+3天之后的每个序列中，预测值在t+n天的其余时间内变为常数。

这是用LSTMs预测时间序列的正确方法吗？

如何解释这种行为？

即使是一个季节性很强的时间序列，情况也会是这样吗？

即使对于非常大的时间序列数据，这种行为也是预期的吗？

我应该试着用Y矩阵训练网络吗?对于同一个X，Y矩阵有31天到60天的值吗？

我的列车数据如下所示：

array([[-0.35811423, -0.22393472, -0.39437897, ..., -0.36718042, -0.37080689, -0.35267452], [-0.22393472, -0.39437897, -0.13327289, ..., -0.37080689, -0.35267452, -0.2030825 ], [-0.39437897, -0.13327289, -0.1532185 , ..., -0.35267452, -0.2030825 , -0.25294651]

体系结构:输入LSTM层(20个神经元)，1个隐藏lstm层，20个神经元，1个输出密集层，批量大小为1。有状态lstm，在每个时代后重新设置模型状态。