LSTM和Keras一起进行小批量培训和在线测试

我想在Keras中实现LSTM以便进行流时间序列预测-即在线运行，一次获取一个数据点。在这里对此进行了很好的解释，但是正如人们可能会假设的那样，在线LSTM的培训时间可能会非常缓慢。我想在迷你批次上训练我的网络，并在线测试（运行预测）。在Keras中执行此操作的最佳方法是什么？

例如，小批量可以是[33, 34, 42, 33, 32, 33, 36, ... 24, 23]在连续的时间步长处出现的1000个数据值（）的序列。为了训练网络，我指定了一个X形状数组(900, 100, 1)，其中有900个长度为100的序列和一个y形状数组(900, 1)。例如，

X[0] = [[33], [34], [42], [33], ...]]
X[1] = [[34], [42], [33], [32], ...]]
...
X[999] = [..., [24]]

y[999] = [23]

因此，对于每个序列X[i]，都有一个对应的y[i]代表时间序列中的下一个值，即我们要预测的值。

在测试中，我想预测下一个数据值1000到1999。我通过(1, 100, 1)为1000到1999的每个步骤提供形状数组来进行预测，在该模型中，模型尝试预测下一个数据值。

这是针对我的问题的推荐方法和设置吗？启用有状态性可能是纯在线实施的一种方式，但是在Keras中，这需要一致batch_input_shape的培训和测试，这对我的小批量培训然后在线测试的意图而言是行不通的。还是有办法可以做到这一点？

更新：尝试按照@nemo建议实施网络

我从博客文章“使用Keras用Python用LSTM递归神经网络进行时间序列预测”在示例网络上运行了自己的数据集，然后尝试将预测阶段实现为有状态网络。

两者的模型构建和培训是相同的：

# Create and fit the LSTM network
numberOfEpochs = 10
look_back = 30
model = Sequential()
model.add(LSTM(4, input_dim=1, input_length=look_back))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, nb_epoch=numberOfEpochs, batch_size=1, verbose=2)
# trainX.shape = (6883, 30, 1)
# trainY.shape = (6883,)
# testX.shape = (3375, 30, 1)
# testY.shape = (3375,)

批量预测通过以下方式完成：

trainPredict = model.predict(trainX, batch_size=batch_size)
testPredict = model.predict(testX, batch_size=batch_size)

为了尝试有状态的预测阶段，我运行了与以前相同的模型设置和训练，但随后执行了以下操作：

w = model.get_weights()
batch_size = 1
model = Sequential()
model.add(LSTM(4, batch_input_shape=(batch_size, look_back, 1), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
trainPredictions, testPredictions = [], []
for trainSample in trainX:
    trainPredictions.append(model.predict(trainSample.reshape((1,look_back,1)), batch_size=batch_size))
trainPredict = numpy.concatenate(trainPredictions).ravel()
for testSample in testX:
    testPredictions.append(model.predict(testSample.reshape((1,look_back,1)), batch_size=batch_size))
testPredict = numpy.concatenate(testPredictions).ravel()

为了检查结果，以下图表以蓝色显示了实际（规范化）数据，以绿色显示了对训练集的预测，以红色显示了对测试集的预测。

第一个数字来自使用批处理预测，第二个数字来自有状态。有什么想法我做错了吗？