LSTM-VAE用来预测数据，结果很诧异，不知道哪里出了问题。

输入的数据集为单一的用户用电数据，单列的时间预测数据格式如下图所示：
https://imgse.com/i/ppdkAc6
其中每一个列代表一个居民的用电，想要通过编码器重构数据进行预测。代码如下所示：

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import sys

# 将LSTM和自动编码器-解码器结合起来，可以用LSTM作为自动编码器的编码器，将输入序列编码为隐藏状态，
# 然后使用LSTM的反向传播将隐藏状态解码为输出序列。这种方法可以用于对序列数据进行特征提取和重建

class LSTMAutoencoder(nn.Module):
    def __init__(self, input_size, hidden_size):
        super(LSTMAutoencoder, self).__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size

        # LSTM encoder                 input_size = 10  hidden_size = 5
        self.encoder = nn.LSTM(input_size=input_size, hidden_size=hidden_size, num_layers=1, batch_first=True)
        # LSTM decoder                        5                       10
        self.decoder = nn.LSTM(input_size=hidden_size, hidden_size=input_size, num_layers=1, batch_first=True)

    def forward(self, x):
        # 编码
        encoded, (hidden, cell) = self.encoder(x)
        # 解码
     decoded, _ = self.decoder(encoded)          #[21,10,1]
        return decoded

# Usage example
input_size = 1
hidden_size = 16
batch_size = 10
sequence_length = 50
LR = 0.005
EPOCH = 1000

# Create random input data
# 读取文件中的所有数据
all_data = pd.read_csv("./dataset/LD2011_2014.csv", index_col=0, parse_dates=[0])
all_data = all_data.replace(0.000000, np.nan)  # 填充

# 找到一户不不含有nan的数据
one_home_data = all_data["MT_158"].resample("W").sum()
print(np.any(one_home_data == np.nan)) # 打印False代表没有nan

plt.figure()
plt.plot(one_home_data, label='test')  # 横纵坐标

one_home_data = torch.from_numpy(one_home_data.astype('float32').values.reshape(-1, batch_size, input_size))     #[21,10,1]

model = LSTMAutoencoder(input_size=input_size, hidden_size=hidden_size)
print(model)

loss_function = nn.MSELoss()        #损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=LR)      #优化器

for epoch in range(EPOCH):
    reconstruction = model(one_home_data)   #[1,21,1]

    loss = loss_function(reconstruction, one_home_data)
    loss.backward()  # 反向传播，计算当前梯度
    optimizer.step()
    optimizer.zero_grad()

    if epoch % 100 == 0:
    print('Epoch :', epoch, '|', 'train_loss:%.4f' % loss.data)

在预测完之后，每次decoded输出的结果都很小，与原始数据差距很大，
每次的均方误差损失上亿，不知道是模型哪里设置的不合适，还是哪里出了问题，
是不是要在模型组以后加一个全连接层还是什么。原始的数据经过处理后，大概是这样：
https://imgse.com/i/ppdkd4s
每一个数据都很大，但是经过编码器解码器重构之后，得到的数据都没有超过1的，是不是经过激活函数归一化了啊？？我不理解
经过解码后的数据decoded的数据如下图所示：https://imgse.com/i/ppdkrvV
原始数据画出来的图示这样子的：https://imgse.com/i/ppdk6DU
所以不知道问题出在了哪里，请指导。

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 文章：百题突击2:1.在模型评估过程中，过拟合和欠拟合具体指什么现象 2.降低过拟合和欠拟合的方法 3.L1和L2正则先验分别服从什么分布 4.对于树形结构为什么不需要归一化？ 中也许有你想要的答案，请看下吧
• 除此之外, 这篇博客: 百题突击2:1.在模型评估过程中，过拟合和欠拟合具体指什么现象 2.降低过拟合和欠拟合的方法 3.L1和L2正则先验分别服从什么分布 4.对于树形结构为什么不需要归一化？中的 1.在模型评估过程中，过拟合和欠拟合具体指什么现象 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  过拟合（overfitting）指的是模型在训练数据是表现非常好，但是在验证集上表现特别差。
  欠拟合（underfitting）指的是是模型在训练数据和验证集上表现都比较差。

  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^