为什么我的 LSTM 模型得到滞后结果

Question

我是机器学习新手，正在使用 Keras 中的 LSTM 执行多元时间序列预测。我有一个每月时间序列数据集，其中包含 4 个输入变量（温度、降水、露水和 Wind_spreed）和 1 个输出变量（污染）。使用这些数据，我提出了一个预测问题，根据前几个月的天气状况和污染情况，我预测下个月的污染情况。下面是我的代码

X = df[['Temperature', 'Precipitation', 'Dew', 'Wind_speed' ,'Pollution (t_1)']].values
y = df['Pollution (t)'].values
y = y.reshape(-1,1)

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(0, 1))
scaled = scaler.fit_transform(X)

#dataset has 359 samples in total
train_X, train_y = X[:278], y[:278]
test_X, test_y = X[278:], y[278:]
# reshape input to be 3D [samples, timesteps, features]
train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1]))
test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))
print(train_X.shape, train_y.shape, test_X.shape, test_y.shape) 


model = Sequential()
model.add(LSTM(100, input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(Dropout(0.2))
#    model.add(LSTM(70))
#    model.add(Dropout(0.3))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

history = model.fit(train_X, train_y, epochs=700, batch_size=70, validation_data=(test_X, test_y), verbose=2, shuffle=False)

# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper right')
plt.show()

为了进行预测，我使用以下代码

from sklearn.metrics import mean_squared_error,r2_score
yhat = model.predict(test_X)
mse  = mean_squared_error(test_y, yhat)
rmse = np.sqrt(mse)
r2   = r2_score(test_y, yhat)

print("test set performance")
print("--------------------")
print("MSE:",mse)
print("RMSE:",rmse)
print("R^2: ",r2)

fig, ax = plt.subplots(figsize=(10,5))
ax.plot(range(len(test_y)), test_y, '-b',label='Actual')
ax.plot(range(len(yhat)), yhat, 'r', label='Predicted')
plt.legend()
plt.show()

运行这段代码我遇到了以下问题：

1. 由于某种原因，我的测试集得到了滞后结果，该结果不在我的训练数据中，如下图所示。我不明白为什么我有这些滞后的结果（这是否与将“污染（t_1）”作为我的输入的一部分包括在内有关）？

图表结果：

2. 通过添加“污染 (t_1)”（污染变量移动 1 个滞后作为我的输入的一部分），该变量现在似乎主导了预测，因为删除其他变量似乎对我的结果没有影响（r 平方和rmse）这很奇怪，因为所有这些变量都有助于污染预测。

我的代码中是否做错了什么导致这些问题的原因？我是 python 新手，所以任何帮助回答上述两个问题的人都将不胜感激。

Answer 1

首先，我认为输入“1”作为Timesteps值是不合适的，因为LSTM模型是处理时间序列或序列数据的模型。我认为以下数据挖掘脚本会很好用

def lstm_data(df,timestamps):
    array_data=df.values
    sc=MinMaxScaler()
    array_data_=sc.fit_transform(array_data)

    array=np.empty((0,array_data_.shape[1]))
    range_=array_data_.shape[0]-(timestamps-1)
    for t in range(range_):
        array_data_p=array_data_[t:t+sequenth_length,:]
        array=np.vstack((array,array_data_p))

    array_=array.reshape(-1,timestamps, array.shape[1])
    return array_

#timestamps depend on your objection, but not '1'
x_data=lstm_data(x, timestamps=4) 
y_data=lstm_data(y, timestamps=4)
y_data=y_data.reshape(-1,1)

#Divide each data into train and test
#Input the divided data into your LSTM model