時系列のこの予測が「かなり悪い」のはなぜですか？

ニューラルネットワークの使用方法を学習しようとしています。私はこのチュートリアルを読んでいました。

値を用いて、時系列にニューラルネットワークを適合した後にでの値を予測するために著者は青い線は、時系列であり、以下のプロットを取得し、緑色列データに予測され、赤色でありますテストデータの予測（テストトレイン分割を使用）$t$$t+1$

「トレーニングデータセットとテストデータセットの両方を適合させるという、モデルの仕事がかなり貧弱だったことがわかります。基本的に、出力と同じ入力値を予測しました。」

次に、著者は、およびを使用して値を予測することにしました。そうすることで取得$t$$t-1$$t-2$$t+1$

「グラフを見ると、予測にさらに構造が見られる」と言います。

私の質問

最初の「貧しい」のはなぜですか？私にはほとんど完璧に見えますが、すべての単一の変化を完全に予測します！

同様に、なぜ2番目の方が優れているのでしょうか？「構造」はどこにありますか？私にとっては、最初のものよりもずっと貧しいようです。

一般に、時系列の予測はいつ良いのか、いつ悪いのか？

それは一種の錯覚です。目はグラフを見て、赤と青のグラフがそれぞれの隣にあることを確認します。問題は、それらが水平に隣接していることですが、重要なのは垂直です距離。目は、デカルトグラフの2次元空間内の曲線間の距離を最も簡単に見ることができますが、重要なのは、特定のt値内の1次元距離です。たとえば、ポイントA1 =（10,100）、A2 =（10.1、90）、A3 =（9.8,85）、P1 =（10.1,100.1）、およびP2 =（9.8、88）があるとします。目は自然にP1とA1を比較します。これは最も近いポイントであるため、P2はA2と比較されます。P2はA3よりもP1がA1に近いため、P1はより良い予測のように見えます。しかし、P1とA1を比較するときは、A1が以前に見たものをどれだけうまく繰り返すことができるかを見ているだけです。A1に関して、P1は予測ではありません。適切な比較はP1 v。A2とP2 v。A3の間であり、この比較ではP2はP1よりも優れています。tに対してy_actualとy_predをプロットすることに加えて、tに対して（y_pred-y_actual）のグラフがあれば、より明確になります。

最初の「貧しい」のはなぜですか？私にはほとんど完璧に見えますが、すべての単一の変化を完全に予測します！

これは、いわゆる「シフト」予測です。チャート1をより詳しく見ると、予測力は、最後に見た値をほぼ正確にコピーすることだけにあることがわかります。つまり、モデルはこれ以上何も学習せず、時系列をランダムウォークとして扱います。問題は、ニューラルネットワークにフィードする生データを使用するという事実にあるのではないかと思います。これらのデータは非定常であり、すべてのトラブルを引き起こします。