修改随机森林回归以使用过去的数据预测未来的多个值

Question

我正在对在特定持续时间内执行的实验的功率与时间数据使用随机森林回归。使用这些数据，我想以时间作为输入来预测未来的功率趋势。下面提到已经实现的代码。

# Loading the excel dataset
df = pd.read_excel('/content/drive/MyDrive/Colab Notebooks/Cleaned total data.xlsx', header = None, names = [ "active_power", "current", "voltage"], usecols = "A:C",skiprows = [i for i in range(1)])
df = df.dropna()

该数据集包含大约 30 小时的功率与时间值，如下所述。 接下来，在训练数据上拟合随机森林回归器。测试数据获得的 R2 分数为 0.87。

# Creating X and y 
X = np.array(series[['time_h']]).reshape(-1,1)
y = np.array(series['active_power'])


# Splitting dataset in training and testing
X_train2,X_test2,y_train2,y_test2 = train_test_split(X,y,test_size = 0.15, random_state = 1)


# Creating Random Forest model and fitting it on training data
forest = RandomForestRegressor(n_estimators=128, criterion='mse', random_state=1, n_jobs=-1)
forest_fit = forest.fit(X_train2, y_train2)

# Saving the model and checking the R2 score on test data 
filename = 'random_forest.sav'
joblib.dump(forest, filename)
loaded_model = joblib.load(filename)
result = loaded_model.score(X_test2, y_test2)
print(result)

对于未来的预测，我们创建了 400 小时的时间数组作为模型的输入，因为需要预测该持续时间的功率。

# Creating a time array for future which will be used as input for future predictions
future_time2 = np.arange(len(series)*15)
future_time2 = future_time2*0.25/360
columns = ['time_hour']
dataframe = pd.DataFrame(data = future_time2, columns = columns)
future_times = dataframe[41006:].to_numpy()
future_times

当未来进行预测时，模型仅在 400 小时的整个持续时间内提供恒定值的输出。输出预测如下。

# Predicting power for future
future_pred = loaded_model.predict(future_times)
future_pred

有人可以建议我为什么模型在整个持续时间内预测相同的值并且如何修改代码，以便我可以获得具有合理值而不是单个值的预测趋势。

谢谢。