LSTM用于具有多个变量的时间序列多步预测

Question

我每个时间步都有1个长时间序列的3个变量。我想使用LSTM进行预测。假设我们可以将每个日期的时间序列表示为（价格，温度，衰退）。经济衰退为0/1。目标变量是价格。因此：

[（price-1，temp-1，rec-1），（price-2，temp-2，rec-2），（price-3，temp-3，rec-3），（price-4 ，temp-4，rec-4），（价格5，temp-5，rec-5）]

这里的问题是，要预测价格4，我们实际上需要在某个地方供应（温度4，建议4），但是在哪里？ LSTM将最后一个未包装神经元的输出作为某些输出3给出。因此，在下图中：

我们将再添加2个红色框（因此红色框的数量=绿色框的数量），但是问题在于这些红色框是先前预测和将来可用数据的组合输入（临时网络，rec-next）。

假设我们要预测价格4和价格5。但是，我们有temp-4，rec-4，temp-5和rec-5的值。如何选择LSTM架构并在keras（R）中进行编码？我需要有状态吗？

PS。我不确定我是否真的想将其拆分为多个窗口（时间序列为2000点）-我可以在1个长度为2000的样本中做到这一点，每个样本具有3个特征：（1、2000、3）吗？ Windows不会丢失一些信息吗？但是到目前为止，所有教程都使用Windows：（

PPS。到目前为止，我有一个理论上的解决方案-将所有内容分割为366天的窗口，然后每天（例如1st dat）进行功能设置（price-1，temp-1，rec-1，temp-2，rec- 2，temp-3，rec-3）（输入：（样本，窗口，7））一步来预测（price-2，price-3）（输出：（样本，2）），现在LSTM可以选择未来的多步模式-因此我们得到了标准的火车X标签拆分。但是我不知道这是否是正确的方法