LSTM用于在测试过程中使用外在变量进行多步（“分块”）时间序列预测

Question

为澄清起见，我正在针对多变量输入训练LSTM：数量时间序列和两个二进制外生变量。

series_scaled   exog1   exog2   target
0   0.000000    0.0     0.0     NaN
1   0.000000    1.0     0.0     NaN
2   0.084844    1.0     0.0     NaN
3   0.169688    1.0     0.0     NaN
4   0.254531    1.0     0.0     NaN
5   0.339375    1.0     0.0     0.000000
6   0.424219    1.0     0.0     0.000000
7   0.509063    0.0     0.0     0.084844
8   0.523664    0.0     0.0     0.169688
9   0.523437    0.0     0.0     0.254531

• 我们想在训练时“回顾”一些时间步长（此处为5）
• 我们要预测（“展望”）一些时间步长（此处也是5）
• 输入数据具有多个特征（这里有一个数量和两个外生变量）

我编写了一个函数，该函数使用输入和目标来创建： 具有形状（238、5、3）的X_data（时间步数，look_back，要素数） Y_data，形状为（238，5）（时间步数，look_forward）

因此，基本上在这种情况下，对LSTM进行除最后5个输入数据之外的所有训练，然后在“测试”期间预测最后5个（为简单起见，通常需要大约50个时间步长）。

也就是说，将最后5个数量作为“块”而不是作为滚动预测来预测（其中，每个新的估计值将作为下一个时间步的输入数据输入模型中）。

有没有办法将外来数据用于这种区块预测？
也就是说，我想输入（在测试期间）外生变量的值，以便测试预测依赖于它们。

我花了一些时间了解如何为LSTM模型确定输入和输出的尺寸以及准备输入和输出数据，只是这个问题仍然存在。

目前，我正在考虑“滚动”预测，其中在测试期间，每个时间步长预测值都会附加到输入数据中。这样，也可以为此滚动输入设置外生变量。

我希望我已经说清楚了。谢谢！