关于多元，多步骤时间序列预测背后的逻辑，我有几个问题。为了更好地说明，我将使用一个示例：
想象一下，鉴于过去60天该股票的收盘价，开盘价和交易量数据，我想预测该股票的未来收盘价。我想预测接下来的1、2、3、4和5天的收盘价。我的问题如下：
在培训期间，我是否应该输入过去60天的所有功能（收盘价，开盘价，交易量），并让模型预测未来一天的所有功能？提醒您，我唯一关心的就是预测未来收盘价，因此我相信这种策略可能会破坏亏损功能？我是否应该提供相同的输入，但让模型预测未来1-5天的收盘价？在那种情况下，损失函数将仅考虑收盘价，但是模型不会使用预测值来预测未来值，例如，使用第1天的预测给出第2天的预测。 / p>
我知道没有明确的答案，但是我想知道哪种模型架构最适合此目的。特别是，我想知道LSTM层中包括多少个神经元，以及要使用多少LSTM层。另外，将最终层设为密集层，使神经元数量等于您从模型中预期的输出量，总是一个好主意吗？