我有一个问题，我需要一些建议以解决该问题。假设我有一个多元时间序列。例如以下内容：
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20
其中每一列都是一个功能。而且每一行都是不同的观察例如，第一行对应于第一次，第二行对应于第二次，依此类推。假设有500个观察值。
我想训练模型，当我得到序列的起始点时，我可以据此生成整个序列。
例如，对于测试，假设我得到1 2 3 45。我应该能够生成整个序列6 7 8 9 10，11 12 13 14 15和16 17 18 19 20轨迹。
有人能建议我这样做吗？
我已经进行了时间序列预测，例如将问题表达如下，其中在时间t + 1处一个观测的输入是在时间t处的观测的输出，例如：
1 2 3 4 5 6 7 8 9 10
6 7 8 9 10 11 12 13 14 15
11 1213 14 15 16 17 18 19 20
我将这样的整个序列交给RNN进行训练和测试，方法是将序列的第一点设置为1 2 3 4 5
并将其输出并循环使用预测的输出作为RNN模型的输入，直到我生成整个序列。
我在Keras中使用LSTM并使用以下命令
model.add(LSTM(64, return_sequences=True input_shape=(None,1,5), stateful=
True)
model.add(LSTM(32, return_sequences=False, stateful=True)
model.add(Dense(5))
model.compile(loss='mse', optimizer='adam')
，然后以批处理大小1拟合模型。对于测试，如上所述，一次只能提供一个观察值。
此方法的问题是我正确估计了第一点。这意味着1 2 3 4 5的输出是可以接受的预测，例如假设结果为6.7 7.5 8.9 9.2 10.4，但是在我将其用作下一部分的输入后，我得到了一个非常糟糕的估计，并且在某些时候该顺序为并没有改变，我像12 13 17 19 20一样回来了，这对于整个观察都仍然有效。所以这不是学习。
任何人都可以告诉我这种方法有什么问题，如何解决这个问题或向我建议一些解决这类问题的技术。