做了很多次实验以后我已经完全蒙了，LSTM神经网络参数timestep的意义到底是什么？

我是做电力负荷预测研究的，最近使用LSTM神经网络对电力负荷进行了预测。
预测后面一天96个时间点的负荷数据，当时timestep我是设置的40。每次预测的输入特征为当前采样点编号、以及最近四个时间点的历史数据，一共五个输入特征。
这是第一次预测的结果：其中MAPE%为98.8%，红色曲线是真实值，而蓝色曲线是模型输出得预测值，下面也一样！

随后我把timestep设置得小一点，发现精确度提高了。于是我斗胆一试，把timestep改成了1.
发现精确度更加提升了！
这个时候得MAPE%是99.3%
我就疑惑了。为什么timestep值设置越小精确度还提升了不少。

按我之前得理解，timestep是设置模型学习timestep个历史数据得变化趋势得意思。但是这个实验效果令人意外，毕竟设置为1相当于不去学习
历史数据变化规律了，反而精确度还变高了，这是怎么一回事呢，有没有大神能指点一下！

要看你的模型，你是多步预测还是只预测一步。前者有两个明显的下降，看上去是过拟合了。

您好 能加一下好友吗 最近在做lstm预测方面的学习 我用网上的代码自己把数据带入走了一遍发现误差很大rmse130左右 预测数据较于真实数据滞后一个时间步数
不知道怎么调参 网上的代码大都是根据matlab自带的程序修改的 大同小异 且进行预测的代码都没有设置时间步数 等等一些涉及调参的代码
想请教一下能分享一下代码解答一下问题吗

情况与你相同，但是我一直在思考把那些timestep设置为特征值的一类，这样其实就是从原理上使用BP算法了，不成熟的认为这说明BP相较于LSTM更加适合用于你的数据建模。但这相当于LSTM 做的所有努力都白费了。。。。伤心中

请问这个问题解决了吗？

能请教一下，我用LSTM做预测，预测结果MAE与RMSE值在2左右，但MAPE值接近100%，是什么原因造成的，该怎么调整。