当我错过了一些细节时，请指出这一点。我为回归制作了一个简单的顺序 LSTM 模型。模型损失为 3.2145e-06。数据在 0 和 1 之间缩放。我尝试了不同的层等变体，但发生了同样的情况，我使用的最简单的模型如下：

from keras.models import Sequential
from keras.layers import LSTM
model = Sequential()
model.add(LSTM(16,return_sequences=True,input_shape=(None,1))
model.add(LSTM(1,activation='sigmoid', return_sequences=True))
model.compile(loss='mae', optimizer='adam', metrics=['mae','mse']) 
history=model.fit(train,train, epochs=10, batch_size=78, shuffle=False)

predicted=model.predict(test)

我的火车数据如下：

当我比较测试和预测时，预测看起来比测试数据小很多倍，并且显示了准确的峰值。就我而言，我希望这些值很小，因为我使用完全不同的数据（一种异常回归）进行训练，令人惊讶的是峰值是相同的。上面的测试数据图和下面的预测。所以我的问题是为什么会出现峰值，我怎样才能让网络无法检测到峰值并按照训练进行预测？

编辑：在使用 MAE 作为损失函数和 500 次训练后，我达到了 0.0180 损失。预测看起来像是 mse 预测的镜像（见下文）。在 2000 个 epochs 之后，我达到了 0.0030 的最小值和 th

在 2000 个 epoch 之后，我达到了 0.0030 的最小值，预测如下所示：

编辑：我的数据应该与 LSTM 一起使用，我需要另一个模型。