1，直接采用滚动序列预测的方法，都会出现预测值之后与实际值，参考https://zhuanlan.zhihu.com/p/54413813?utm_source=qq&utm_medium=social&utm_oi=676541090052575232
原始数据是这样的
如下图，采用的前1到n时刻的值来预测n+1时刻的值，预测值之后于实际值
2，根据上面那个链接提出的方法，即首先采用序列分解的方法，将时间序列分解成多个子序列，然后对每个子序列分别建模，最后把结果加起来作为最终结果，这种滞后现象明显没有了，我试过很多数据集，也确实是这样，可以参考下面这些博客:https://blog.csdn.net/qq_41043389/article/details/104517495（博客1）
https://blog.csdn.net/qq_41043389/article/details/106035949（博客2）
但是，问题来了，这几天有个客户找我做博客1的程序，发现最后的结果虽然精度确实提高了，但是依旧是预测值滞后于实际值（然后客户开始质疑我的程序有问题，态度极其恶劣，最后把我气得直接拉黑了他，），如下图
采用的VMD分解方法，然后对每个序列划分训练集与测试集（这里先不谈数据泄露的问题），训练集用于训练SA-DBN模型，测试集用于测试，最后把各个序列测试集的结果相加
问题是：为什么依旧出现了这种情况，这种结构我试过很多次，都没有这种情况，那么是数据本身存在什么问题吗？比如比自相关还高级的“强自相关性”，欢迎大家讨论。
以下是数据，麻烦大佬们帮忙研究下：https://github.com/fish-kong/data
