Почему это предсказание временного ряда «довольно плохое»?

Я пытаюсь научиться использовать нейронные сети. Я читал этот урок .

После подбора нейронной сети по временному ряду, используя значение в для прогнозирования значения в момент времени t + 1, автор получает следующий график, где синяя линия - это временной ряд, зеленый - это прогноз данных поезда, красный - это прогноз на тестовых данных (он использовал разделение тест-поезд)$t$$t+1$

и называет это «Мы видим, что модель довольно плохо справилась с подбором как обучающих, так и тестовых наборов данных. Она в основном предсказывала то же входное значение, что и выходной».

$t$$t-1$$t-2$$t+1$

и говорит: «Глядя на график, мы видим больше структуры в прогнозах».

Мой вопрос

Почему первый "бедный"? это выглядит почти идеально для меня, он предсказывает каждое изменение совершенно!

И аналогично, почему второй лучше? Где эта «структура»? Мне это кажется намного беднее, чем первый.

В общем, когда прогноз по временным рядам хорош, а когда плох?

Это своего рода оптическая иллюзия: глаз смотрит на график и видит, что красный и синий графики находятся рядом с каждым. Проблема в том, что они находятся рядом друг с другом по горизонтали , но важна вертикальрасстояние. Глазу легче всего увидеть расстояние между кривыми в двумерном пространстве декартова графа, но важна одномерная дистанция в пределах определенного значения t. Например, предположим, что у нас были точки A1 = (10 100), A2 = (10,1, 90), A3 = (9,8,85), P1 = (10,1 100,1) и P2 = (9,8, 88). Глаз, естественно, будет сравнивать P1 с A1, потому что это самая близкая точка, в то время как P2 будет сравниваться с A2. Поскольку P1 ближе к A1, чем P2 к A3, P1 будет выглядеть как лучший прогноз. Но когда вы сравниваете P1 с A1, вы просто смотрите, насколько хорошо A1 может просто повторить то, что видел ранее; в отношении A1, P1 не является прогнозом, Правильное сравнение между P1 v. A2 и P2 v. A3, и в этом сравнении P2 лучше, чем P1. Было бы яснее, если бы, помимо построения y_actual и y_pred против t, были графики (y_pred-y_actual) против t.

Почему первый "бедный"? это выглядит почти идеально для меня, он предсказывает каждое изменение совершенно!

Это так называемый «сдвинутый» прогноз. Если вы посмотрите более внимательно на график 1, вы увидите, что сила предсказания заключается только в копировании почти точно последнего увиденного значения. Это означает, что модель ничему не научилась лучше, и она рассматривает временные ряды как случайную прогулку. Я предполагаю, что проблема может заключаться в том, что вы используете необработанные данные, которые вы передаете в нейронную сеть. Эти данные не являются стационарными, что вызывает все проблемы.