UnboundLocalError: local variable 'batch_index' referenced before assignment

前提・実現したいこと

LSTMで予測を行なっているのですが、学習時に以下のようなエラーが発生しています。
調べてみたところ、python特有のグローバル変数とローカル変数の扱い方が出てくるのですが、今回の'batch_index'に関してはコードに記述していません。
わかる方がいましたらコメントお願いします。

発生している問題・エラーメッセージ

Epoch 1/100
Traceback (most recent call last):
  File "forcast_snowcover_new.py", line 129, in <module>
    validation_data=(data4, target4)
  File "/Users/.local/share/virtualenvs/shuron-TfWa52ME/lib/python3.6/site-packages/keras/engine/training.py", line 1239, in fit
    validation_freq=validation_freq)
  File "/Users/.local/share/virtualenvs/shuron-TfWa52ME/lib/python3.6/site-packages/keras/engine/training_arrays.py", line 205, in fit_loop
    if batch_index == len(batches) - 1:  # Last batch.
UnboundLocalError: local variable 'batch_index' referenced before assignment

該当のソースコード

from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.layers.recurrent import LSTM
from keras.optimizers import Adam
from keras.callbacks import EarlyStopping
from sklearn.model_selection import train_test_split
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.preprocessing import MinMaxScaler


# CSVファイルの読み込み
df1 = pd.read_csv('../split_data_2014_2015.csv')
//省略

# 欠損値の穴埋め
df1 = df1.fillna(method='ffill')

df1 = df1["A"]

# データの標準化
scaler = MinMaxScaler()
df1 = np.array(scaler.fit_transform(np.array(df1).reshape(-1, 1))).reshape(1, -1)


# データの生成
data1 = []
target1 = []

# 過去遡る日数
max_len = 15
# 将来予測する日数
future = 1
# 入力データは一列
n_in = 1
# 出力データは予測値一つ
n_out = 1

# LSTMでのデータ構造に変更
for i in range(len(df1) - max_len):
    data1.append(df1[i:i + max_len])
    target1.append(df1[i + max_len])


# LSTMで使用する形に整形
data1 = np.array(data1).reshape(len(data1), max_len, n_in)
target1 = np.array(target1).reshape(len(target1), n_out)


# 隠れ層
n_hidden = 100
length_of_sequence = 15
in_out_neurons = 1
epoch = 100

# モデルの設定
model = Sequential()
model.add(
  LSTM(
    n_hidden,
    batch_input_shape=(None, length_of_sequence, in_out_neurons),
    return_sequences=False
  )
)
model.add(Dense(in_out_neurons))
model.add(Activation("linear"))
optimizer = Adam(lr=0.001)
model.compile(loss="mean_squared_error", optimizer=optimizer)

# 学習
early_stopping = EarlyStopping(monitor='val_loss', mode='auto', patience=10)
history = model.fit(
  data1,
  target1,
  batch_size=32,
  epochs=epoch,
  validation_data=(data4, target4)
)



# 予測
test_predict = model.predict(data5)
print(model.evaluate(data5, target5))
plt.figure()
plt.plot(
  range(length_of_sequence, len(test_predict) + length_of_sequence),
  test_predict, color="r", label="predict_data"
  )
plt.plot(range(0, len(target5)), target5, color="b", label="row_data")
plt.legend()
plt.show()