在处理时间序列预测时，我看到大多数人在使用LSTM模型时遵循以下步骤：

1. 获取、清理和预处理数据
2. 提取验证数据集，以便将来与模型预测进行比较
3. 初始化并训练LSTM模型
4. 使用验证数据集的副本，进行与训练数据完全相同的预处理
5. 使用训练好的模型对转换后的验证数据进行预测
6. 评估结果：预测与验证数据的对比

然而，如果模型准确无误，如何进行超出验证期的预测呢？

以下代码只接受与训练数据相同方式转换的数据，但对于超出验证期的预测，你没有可供模型使用的输入数据。那么，人们是如何做的呢？

# 预测与验证
predictions = model.predict(transformed_validation)
# 未来预测
future_predictions = model.predict(?)

回答：

为了预测第i个值，你的LSTM模型需要最近的N个值。因此，如果你想要进行预测，你应该使用每个预测来预测下一个值。

换句话说，你需要循环执行类似以下的操作：

prediction = model.predict(X[-N:])
X.append(prediction)

正如你所猜测的，你将输出添加到输入中，这就是为什么你的预测可能会发散并放大不确定性。

其他模型在预测远期未来时可能更稳定。