LSTM/GRU 出现预测值滞后现象

问题：当利用LSTM/GRU等做预测时，在数据上升较快或者下降较快的地方出现预测值滞后现象，即T+1时刻的预测值就是或者与T，T-1时刻的真实输入值基本相同

 

原因：回归算法将使用您提供的时间窗口中的值作为样本，以最大程度地减少误差。假设您正在尝试预测时间t的值。输入是以前的收盘价，即t-20到t-1的最后20个输入的时间序列窗口（假设样本输入的timestamp是20）。回归算法可能会学习在时间t-1或t-2处的值作为预测值，因为这样不需要做什么就可以达到优化的误差之内了。这样想：如果在t-1值 6340，那么预测 t时刻为6340或在t + 1时为6340，从整体来看将最大程度地减小误差（因为误差是预测的很多点的误差进行汇总），但是实际上该算法没有学习任何东西，它只是复制，因此除了完成优化任务外，它基本上什么也不做。

解决方法：

1. 不要给出真实的值，对输入样本进行非线性化的处理，平方，根号，ln等，是不能直接直观地预测其结果，而只是为算法提供模式。

2. 采用多类别分类，可以直接进行二进制分类（我这儿的理解是：采用树模型，xgboost,gbdt）

3. 尝试预测时间t和t-1处值的差异，而不是直接预测t时刻的值

4. 将样本数据差分到平稳后再对差分后的数据进行预测

 

 

 

参考：https://stackoverflow.com/questions/52252442/how-to-handle-shift-in-forecasted-value

https://www.dazhuanlan.com/2019/10/21/5dad8f52d7fb7/