我有一个具有初始和最终时间的过程。我对过程进行了多次仿真，并收集了标签和特征（我修改了过程的初始条件和一些参数，以使每次模拟获得略有不同的标签和特征值）。
由于我从时间0小时开始每次都重复此过程，因此我的数据框看起来像这样。
time label1 label2 feature1 feature2
0 hr 0.1 0.1 0.2 0.2
1 hr 0.1 0.1 0.2 0.2
. . . . .
. . . . .
10hr 0.2 0.2 0.4 0.
0 hr 0.3 0.3 0.5 0.5
1 hr 0.2 0.4 0.6 0.5
. . . . .
. . . . .
10hr 0.1 0.2 0.4 0.
因此，每次数据从0小时开始。
现在，假设我想在11小时的时间预测标签。这是一个时间序列预测问题。为了解决这个问题，我想使用带有LSTM层的递归神经网络。
与“标称”预测问题的区别在于，该过程在每次模拟时都从零时重新开始。在这些情况下，将数据馈送到RNN的策略是什么？
我当时正在考虑将数据框重塑为
time label1 label2 feature1 feature2 label1 label2 feature1 feature2
0 hr 0.1 0.1 0.2 0.2 0.3 0.3 0.5 0.5
1 hr 0.1 0.1 0.2 0.2 0.2 0.4 0.6 0.5
. . . . . . . . .
. . . . . . . . .
10hr 0.2 0.2 0.4 0. 0.1 0.2 0.4 0.
但是然后我想要新的“假”功能，这些功能实际上与其他功能相同，但是具有不同的值。
正确的方法是什么？
谢谢！