这里的主题是在学习时间历史中使用神经网络。 让我们考虑清晰度 Y = f（ X ），其中 X 是向量1xN且 Y 1xN。
在我可以在线查找或测试的大多数模型中， X 直接用常规时间步长（ X = T ）进行矢量化。 因此，使用输出Y完成对时间历史执行的预测任务，并使用此序列将 Y （i：i + Nsample）作为神经网络输入，然后输出ÿ第（i + NSample个+ 1）。然后执行预测，此时窗口移动一步（i = i + 1）。
现在我的问题如下。在我们有一个向量X的情况下，它是一个已知值的泛型函数，用神经网络建模的问题是：
知道 X （i：i + Nsample + 1）和 Y （i：i + Nsample）我们想要预测 Y （ I：+ + NSample个1） 然后我们可以做i = i + 1并继续前进。
设计这样一个系统的最佳解决方案是什么，是否有一个Keras或其他项目的例子，我可以从中受到启发？
我看到了几个解决方案，但没有被说服。
a）设置多维向量（2xNsample）作为输入[X（i：i + Nsample）; Y（i-1：i + Nsample-1）]并预测 Y （：i + Nsample）（将输出视为第二个输入）
b）为X和Y设置两个单独的lstm，然后以某种方式连接它们