我的数据集包括两个数字预测因子（以美元计），从2014年到现在每周拍摄。我预测以美元衡量的实数（回归问题）。我有域名特定的理由相信前几周的预测因素会影响本周的输出，因此，根据我的原始数据，我形成了N周的窗口。因此我的训练输入有形状（~300，N，2），我的训练输出有形状（~300,1）。
两个预测变量都会驱动输出变量，因此当其中一个预测变量被切割为0时，输出变量应该开始下降。下降不应该是立竿见影的，因为问题域暗示了光环效应＆＃34;。
我们希望当两个预测变量都减少到0时，输出不应该降到0，而是降低到某些预测值＆＃34;偏差＆＃34; （基线）。我们知道这个基线就在那里，但到目前为止，它对我们来说是一个幽灵。 我在Keras中设置了一个循环（LSTM / GRU）模型，即使我的数据集很小，模型也会根据数据进行下降工作。但是，由于数据集涉及实际支出模式，因此它是季节性的并且具有趋势，因此当我将预测变量切换为0时，输出变量要么遵循此趋势，要么直接变为0（有时甚至是负数）。无论哪种方式，它都不会产生我追求的基线（偏见）。
有没有人有类似问题的经验？我会喜欢一些建议。