为什么对时间序列的这种预测“非常糟糕”？

我正在尝试学习如何使用神经网络。我正在阅读本教程。

使用时间的值拟合神经网络以预测时间的值后，作者获得以下曲线图，其中蓝线是时间序列，绿色是对火车数据的预测，红色是对测试数据进行预测（他使用了测试序列拆分）$t$$t+1$

并将其称为“我们可以看到该模型在拟合训练数据和测试数据集方面做得很差。它基本上预测出与输出相同的输入值。”

然后，作者决定使用，和来预测处的值。这样做获得$t$$t-1$$t-2$$t+1$

并说：“看图表，我们可以在预测中看到更多的结构。”

我的问题

为什么第一个“可怜”？在我看来，它几乎是完美的，它可以完美地预测每个变化！

同样，为什么第二个更好？“结构”在哪里？在我看来，这比第一个要差得多。

通常，对时间序列的预测什么时候好，什么时候不好？

这是一种视觉上的错觉：眼睛看着图表，看到红色和蓝色的图表紧挨着每个图表。问题是它们在水平方向上彼此相邻，但重要的是垂直方向距离。眼睛最容易看到笛卡尔图的二维空间中曲线之间的距离，但重要的是特定t值内的一维距离。例如，假设我们有点A1 =（10,100），A2 =（10.1，90），A3 =（9.8,85），P1 =（10.1,100.1）和P2 =（9.8，88）。眼睛自然会将P1与A1比较，因为那是最接近的点，而P2将与A2比较。由于P1比A2更接近A1，因此P1看起来更好。但是，当您将P1与A1进行比较时，您只是在看A1能够很好地重复之前看到的内容。关于A1，P1不是预测。正确的比较是在P1 v。A2和P2 v。A3之间，在此比较中P2优于P1。如果除了针对t绘制y_actual和y_pred之外，是否还有针对t的（y_pred-y_actual）图，那将会更加清楚。

为什么第一个“可怜”？在我看来，它几乎是完美的，它可以完美地预测每个变化！

这是所谓的“转移”预测。如果您仔细观察图表1，您会发现预测能力仅在于几乎完全复制了上次看到的值。这意味着模型学习得更好，并且将时间序列视为随机游走。我想问题可能出在您使用馈送到神经网络的原始数据这一事实。这些数据是不稳定的，这会引起所有麻烦。