RNNおよびLSTMによる時系列予測を実装したが上手く学習できない

Question

##行ったこと
時系列予測についてRNNとLSTMの比較が行えるように実装を行った。
中間層の調整や入力時系列の長さを変えるなど行いましたが、同様の結果となってしまった。

##問題点
予測値があまりにも見当違いの値となってしまっている(波形を追うこともできていない)。
→学習がうまく行えていないのではないかと考えた。
→プログラムそのもののミスがあるかもしれないのですが、エラーは一切出ておりません。

##実現したいこと
ある1つの時系列波形を学習し予測を行うこと。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import model_selection

#データの取得(書き換え)
data1 = pd.read_csv('C:/***/***.csv') 

x_data = data1.loc[0:8020:10,['num']].values    
Fz_data = data1.loc[0:8020:10,['data']].values        

plt.plot(x_data, Fz_data)
plt.show()

n_rnn = 10 #時系列の数(長さ)
n_sample = len(x_data) - n_rnn #サンプル数
x = np.zeros((n_sample, n_rnn)) #入力
t = np.zeros((n_sample,)) #正解、最後の時刻のみ

for i in range(0, n_sample):
    x[i] = Fz_data[i:i+n_rnn].T
    t[i] = Fz_data[i+n_rnn] #入力の時系列より1つ後の値

x = x.reshape(n_sample, n_rnn, 1) #(サンプル数、時系列の数、入力層のニューロン数)
print(x.shape)
t = t.reshape(n_sample, 1) #(サンプル数、入力層のニューロン数)
print(t.shape)

#-------------------------------------------------#
#モデルの構築
from keras.models import Sequential
from keras.layers import Dense, SimpleRNN, LSTM

batch_size = 128 #バッチサイズ
n_in = 1 #入力層のニューロン数
n_mid = 100 #中間層のニューロン数
n_out = 1 #出力層のニューロン数

#比較の為の通常のRNN
model_rnn = Sequential()
model_rnn.add(SimpleRNN(n_mid, input_shape=(n_rnn, n_in), return_sequences=False)) #最後の出力のみ使用
model_rnn.add(Dense(n_out, activation="linear"))
model_rnn.compile(loss="mean_squared_error", optimizer="sgd")
print(model_rnn.summary())

#LSTM
model_lstm = Sequential()
model_lstm.add(LSTM(n_mid, input_shape=(n_rnn, n_in), return_sequences=False)) #最後の出力のみ使用
model_lstm.add(Dense(n_out, activation="linear"))
model_lstm.compile(loss="mean_squared_error", optimizer="sgd")
print(model_lstm.summary())

#-------------------------------------------------#
#学習

from keras.callbacks import EarlyStopping
import time

epochs = 100

early_stopping = EarlyStopping(monitor='val_loss', patience=10, verbose=1)
#通常のRNN
start_time = time.time()
history_rnn = model_rnn.fit(x, t, epochs=epochs, batch_size=batch_size, verbose=1, callbacks=[early_stopping]) #verbose=1とすると学習過程が見られる
print("学習時間 --RNN--:", time.time() - start_time)

#LSTM
start_time = time.time()
history_lstm = model_lstm.fit(x, t, epochs=epochs, batch_size=batch_size, verbose=1, callbacks=[early_stopping])
print("学習時間 --LSTM--:", time.time() - start_time)

#-------------------------------------------------#
#学習の推移

loss_rnn = history_rnn.history['loss']
loss_lstm = history_lstm.history['loss']

plt.plot(np.arange(len(loss_rnn)), loss_rnn, label='RNN')
plt.plot(np.arange(len(loss_lstm)), loss_lstm, label='LSTM')
plt.legend()
plt.show()

#-------------------------------------------------#
#学習済みモデルの使用
predicted_rnn = x[0].reshape(-1)
predicted_lstm = x[0].reshape(-1)
in_rnn = x[0].reshape(-1)
in_lstm = x[0].reshape(-1)

for i in range(0, n_sample):
    y_rnn = model_rnn.predict(predicted_rnn[-n_rnn:].reshape(1, n_rnn, 1))
    predicted_rnn = np.append(predicted_rnn, y_rnn[0][0])

    y_lstm = model_lstm.predict(predicted_lstm[-n_rnn:].reshape(1, n_rnn, 1))
    predicted_lstm = np.append(predicted_lstm, y_lstm[0][0])

#plt.plot(np.arange(len(y_test)), y_test, label="Training data")
plt.plot(np.arange(len(predicted_rnn)), predicted_rnn, label="Predicted_RNN")
plt.plot(np.arange(len(predicted_lstm)), predicted_lstm, label="Predicted_LSTM")
plt.plot(np.arange(len(in_rnn)), in_rnn, label="input_RNN0")
plt.plot(np.arange(len(in_lstm)), in_lstm, label="input_LSTM0")
plt.legend()
plt.show()

学習したい波形

出力波形(inputの長さも変えてみるなどしています.)

参考

##使用環境
python3.6

##説明不足があれば解答いたします。
ご指摘よろしくお願いいたします。