python - Tensorflow中具有LSTM的时间序列预测模型可预测常数

我正在使用卫星数据构建飓风预报器。我在多层LSTM模型中有多个输出，输入和输出数组遵循结构[samples [time [features]]]。作为输入和输出，我具有飓风，WS和其他尺寸的坐标。

问题在于误差减少，因此，该模型始终预测为常数。阅读了几篇文章后，我对数据进行了标准化，删除了一些不必要的图层，但是，该模型始终会预测相同的输出。

我认为模型足够大，考虑到输出都在[-1; 1]之内，因此激活函数很有意义。所以我的问题是：我在做什么错？

该模型如下：

class Stacked_LSTM():

    def __init__(self, training_inputs, training_outputs, n_steps_in, n_steps_out, n_features_in, n_features_out, metrics, optimizer, epochs):
        self.training_inputs = training_inputs
        self.training_outputs = training_outputs
        self.epochs = epochs

        self.n_steps_in = n_steps_in
        self.n_steps_out = n_steps_out
        self.n_features_in = n_features_in
        self.n_features_out = n_features_out
        self.metrics = metrics
        self.optimizer = optimizer

        self.stop = EarlyStopping(monitor='loss', min_delta=0.000000000001, patience=30)

        self.model = Sequential()
        self.model.add(LSTM(360, activation='tanh', return_sequences=True, input_shape=(self.n_steps_in, self.n_features_in,))) #, kernel_regularizer=regularizers.l2(0.001), not a good idea
        self.model.add(layers.Dropout(0.1))
        self.model.add(LSTM(360, activation='tanh'))
        self.model.add(layers.Dropout(0.1))
        self.model.add(Dense(self.n_features_out*self.n_steps_out))
        self.model.add(Reshape((self.n_steps_out, self.n_features_out)))
        self.model.compile(optimizer=self.optimizer, loss='mae', metrics=[metrics])

    def fit(self):
        return self.model.fit(self.training_inputs, self.training_outputs, callbacks=[self.stop], epochs=self.epochs)

    def predict(self, input):
        return self.model.predict(input)

注意 1）在此特定问题中，时间序列数据不是“连续的”，因为一个时间序列属于特定的飓风。因此，我针对每个飓风调整了时间序列的训练和测试样本。这意味着我不能stateful=True在图层中使用该函数，因为这将意味着该模型在不同的飓风之间没有任何区别（如果我的理解是正确的话）。

2）没有图像数据，因此不需要卷积模型。

查看更多