为什么未来预测LSTM模型收敛得如此之快？有解决办法吗？

问：

我是 LSTM 模型的新手。

我使用LSTM模型来预测销售的时间序列误差。

这是训练、验证和两者兼而有之的图。

在此处输入图像描述

我认为该模型预测了短期波动。

但是，当我预测尚未实现的未来价值时，价值会如此迅速地收敛到某个极限。

例如，如果我想预测未来 365 天的销售额，它们会收敛到某个水平，因此未来价值根本不会波动。

收敛后 7 天的销售额

[[[0.28243372]
  [0.28243372]
  [0.28243372]
  [0.28243372]
  [0.28243372]
  [0.28243372]
  [0.28243372]]]

我使用了下面的代码

day0arr = np.append(X_val.flatten()[1:], y_val[-1]).reshape(364, 7, 1)[(-1):,:,:]
future365 = []
for i in range(365):
  day_to = model.predict(day0arr).flatten()
  future365.append(day_to)
  day0arr = np.append(day0arr.flatten()[1:], day_to).reshape(1, 7, 1)
  model.reset_states()
  print(day0arr)

我的逻辑是使用经过训练的模型和最后一个数据序列来预测未来的第 1 天，并将预测值附加到最后一个序列，同时消除序列的第一个值，依此类推。

有没有办法保留短期波动的趋势，以便用LSTM预测未来？