我已经建立了一个LSTM In Keras，其目标是从高维，时间索引输入预测时间序列的未来值。
但是，有一个独特的要求：对于未来的某些时间点，我们肯定知道输入系列的某些值是什么。例如：
model = SomeLSTM()
trained_model = model.train(train_data)
known_data = [(24, {feature: 2, val: 7.0}), (25, {feature: 2, val: 8.0})]
predictions = trained_model(look_ahead=48, known_data=known_data)
哪个会训练模型到时间t（训练结束），并从时间48预测前进t时间段，但用known_data值代替feature有时24和25。
我究竟能在某个时间将其明确地注入LSTM吗？
供参考，这是模型：
model = Sequential()
model.add(LSTM(hidden, input_shape=(look_back, num_features)))
model.add(Dropout(dropout))
model.add(Dense(look_ahead))
model.add(Activation('linear'))
这可能是我对LSTM不直观掌握的结果，我很感激任何澄清。我已经深入研究了Keras源代码，我的第一个猜测就是将它直接注入到LSTM state变量中，但我不确定如何在t时这样做（或者即便如此）是对的。）
答案 0 :(得分：0)
我认为 clean 这样做的方法是引入2*look_ahead个新功能，其中每个0 <= i < look_ahead 2*i - 功能是指示是否i - 时间步长的值已知且(2*i+1) - th是值本身（如果不知道则为0）。因此，您可以生成具有这些功能的培训数据，以使您的模型考虑这些已知值。