Чому це передбачення часових рядів "досить бідне"?

Я намагаюся навчитися користуватися нейронними мережами. Я читав цей підручник .

Після встановлення нейронної мережі на часовій серії, використовуючи значення в для прогнозування значення на автор отримує наступний сюжет, де синя лінія є тимчасовим рядом, зелена - прогноз на дані поїздів, червона - прогнозування даних випробувань (він використав тест на поїзд)$t$$t+1$

і називає це "Ми можемо побачити, що модель виконала досить погану роботу з підгонки як навчальних, так і тестових наборів даних. В основному вона передбачала те саме вхідне значення, що і вихідне".

Тоді автор вирішує використовувати , і для прогнозування значення при . При цьому отримує$t$$t-1$$t-2$$t+1$

і каже: "Дивлячись на графік, ми можемо побачити більше структури в прогнозах".

Моє запитання

Чому перший "бідний"? мені це виглядає майже ідеально, він передбачає, що кожна зміна ідеально!

І так само, чому краще другий? Де "структура"? Мені це здається набагато біднішим, ніж перший.

Загалом, коли прогноз щодо часових рядів хороший, а коли поганий?

Це свого роду оптична ілюзія: око дивиться на графік і бачить, що червоний і синій графіки знаходяться біля кожного. Проблема полягає в тому, що вони розташовуються прямо поруч один з одним по горизонталі , але головне - це вертикальвідстань. Око найлегше бачить відстань між кривими у двовимірному просторі декартового графіка, але важливо - одновимірна відстань у межах певного значення t. Наприклад, припустимо, що у нас були точки A1 = (10 100), A2 = (10,1, 90), A3 = (9,8,85), P1 = (10,1 100,1), а P2 = (9,8, 88). Око, природно, збирається порівняти Р1 з А1, тому що це найближча точка, тоді як Р2 буде порівнюватися з А2. Оскільки P1 ближче до A1, ніж P2 до A3, P1 виглядатиме як кращий прогноз. Але коли ти порівнюєш P1 з A1, ти просто дивишся на те, наскільки A1 здатний просто повторити те, що бачив раніше; щодо A1, P1 не є прогнозом. Правильне порівняння між P1 v. A2 і P2 v. A3, і в цьому порівнянні P2 краще, ніж P1. Було б зрозуміліше, якби крім побудови y_actual та y_pred проти t існували графіки (y_pred-y_actual) проти t.

Чому перший "бідний"? мені це виглядає майже ідеально, він передбачає, що кожна зміна ідеально!

Це так званий "зміщений" прогноз. Якщо більш уважно придивитися до діаграми 1, ви побачите, що сила передбачення полягає лише в копіюванні майже точно останнього баченого значення. Це означає, що модель навчилася нічого кращого, і вона трактує часові ряди як випадкову прогулянку. Я думаю, що проблема може полягати в тому, що ви використовуєте необроблені дані, які ви подаєте в нейронну мережу. Ці дані нестаціонарні, що спричиняє всі проблеми.