lstm滞后性_对于Keras LSTM，传递滞后特性与特性的时间步长有什么区别？

我正在熟悉LSTM，我需要弄清楚一些事情。我用t-300:t-1来模拟一个时间序列来预测t:t+60。我的第一种方法是建立这样的LSTM：# fake dataset to put words into code:

X = [[1,2...299,300],[2,3,...300,301],...]

y = [[301,302...359,360],[302,303...360,361],...]

# LSTM requires (num_samples, timesteps, num_features)

X = X.reshape(X.shape[0],1,X.shape[1])

model = Sequential()

model.add(LSTM(n_neurons[0], batch_input_shape=(n_batch, X.shape[1], X.shape[2]), stateful=True))

model.add(Dense(y.shape[1]))

model.compile(loss='mse', optimizer='adam')

model.fit(X, y, epochs=1, batch_size=1, verbose=1, shuffle=False)

在我的真实数据集中，结果是次优的，在CPU上，它能够在20分钟内训练出大约40万个样本的1个历元。网络在一个新纪元后迅速收敛，对于我输入的任何一组点，都会得出相同的结果。在

我最近的改变是用以下方式重塑X：

^{pr2}$

培训似乎进展缓慢(我还没有尝试过完整的数据集)，但速度明显较慢。在2800个样本的单历元中训练大约需要5分钟。我用了一小部分真实数据和少量的纪元，看起来很有前途。对于不同的输入，我没有得到相同的输出。在

有人能帮我了解这里发生了什么吗？在