LSTM模型只是在预测时间序列中重复过去

Question

我想从九个输入变量预测一个输出变量。这个数据也是一个时间序列，目标是预测输出变量提前2个步骤。

我使用均值归一化对所有数据进行了规范化并添加了一些功能，所以现在数据看起来像这样：

   weekday (weekend vs weekday)      hour  (f_real - 50)*70  ACE [Mwh]  \
0                     -1.579094 -1.341627          0.032171   2.017604   
1                     -1.579094 -0.447209          0.032171  -0.543702   
2                     -1.579094  0.447209          0.037651   0.204731   
3                     -1.579094  1.341627          0.043130  -0.601538   
4                     -1.579094 -1.341627          0.021211  11.759046   
   IGCC [Mwh]  SRE [Mwh]  TertCalls [Mwh]  Imbalance [Mwh]      Time  
0    0.257560   5.377617         0.128754        -2.858935 -1.713381  
1    0.507353   4.850718         0.128754        -2.532608 -1.677292  
2    0.173518   5.042090         0.128754        -3.325708 -1.641203  
3    2.753128   1.684767         0.128754        -2.912524 -1.605114  
4    0.206732   6.506615         0.128754        -4.926271 -1.569025

和这样的目标：

0    1.541263
1    1.541263
2    1.541263
3    1.541263
4    3.885717
Name: TRE [Mwh], dtype: float64

现在我的问题来了。如果我以这种格式将X和y数据提供给LSTM模型，它可以很好地学习如何预测目标变量。

但是当我执行2次步移时：

target = target.shift(-2)

它只是学习了同样的东西，并预测目标落后2个步骤。

两种型号都是使用Keras制造的LSTM网络：

model = Sequential()
model.add(LSTM(50, input_shape=(1, train_X.shape[2])))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer=Adam(lr=0.02))
model.fit(train_X, train_y, epochs=200, batch_size=train_X.shape[0]//2, verbose=2)

有没有办法，例如修改成本函数以帮助模型预测转移的目标？