Нейросеть не распознает пики на графике

X = data.drop(columns=(['electricity_consumption']))
y = data.drop(columns=(['temperature','windspeed','pressure','var1']))
X = X.as_matrix() #представляем наборы признаков в качестве массива
y= y.as_matrix()#представляем набор предсказываемых значений в качестве массива
 
scalarYtest, scalarYtrain = StandardScaler(), StandardScaler() #создаем экземпляры класса StandardScaler
 
Xtrain, Xtest, ytrain, ytest = train_test_split(X, y, test_size=0.2, random_state=13) # делим наборы на обучающие и тестовые выборки в соотношении 80:20
 
scalarYtrain.fit(ytrain) #вычисляем стандартное значение для обучающего набора
scalarYtest.fit(ytest) #вычисляем стандартное значение для тестового набора
ytrain = scalarYtrain.transform(ytrain)#стандартизируем обучающий набор
ytest = scalarYtest.transform(ytest)#стандартизируем тестовый набор
 
inputShape = Input(shape=([len(data.keys())-1])) #подаем на вход нейросети признаки, содержащиеся в Xtest
x = (Dense(64,activation=LeakyReLU(alpha=0.5))(inputShape)) # определяем первый слой с 64 нейронами
output1 = Dense(32)(x) # определяем второй слой с 32 нейронами
output2 = Dense(16)(output1)
output3 = Dense(8)(output2)
output4 = Dense(4)(output3)
output5 = Dense(2)(output4)
output6 = Dense(1)(output5) # определяем шестой слой с 1 нейроном
model = Model(inputs=[inputShape],outputs=[output6]) # определяем входные и выходные данные нашей модели
model.compile(loss='mae', optimizer='adam',metrics=['mae', 'mse']) # в качестве функции потель используем среднюю абсолютную ошибку
 
NUM_EPOCHS = 100
BATCH_SIZE = 200
 
model.fit(Xtrain,ytrain,epochs=NUM_EPOCHS,batch_size=BATCH_SIZE,verbose=1,validation_data=(Xtest,ytest)) # обучаем модель
 
pred = model.predict(Xtest) # делаем прогноз значений после обучения нейросети
 
original = ytest
predicted = pred
 
plt.plot(original, color='black', label = 'Original data')
plt.plot(predicted, color='blue', label = 'Predicted data')
plt.legend(loc='best')
plt.title('Actual and predicted')
plt.show()