我有一个模型，它使用之前所有天的数据来预测今天的情况。（使用0:t-1的数据来预测t日的数据）

现在我想扩展这个模型，使其能够预测接下来的n天。然而，不仅仅是使用0:t-1的数据来预测t、t+1、t+2等，我还想使用对t、t+1等的预测来重新训练模型，并分别对t+1、t+2等进行预测。

因此，对于t日的预测：使用0:t-1的数据

对于t+1日的预测：使用0:t-1的数据 + 上述对t日的预测

对于t+2日的预测：使用0:t-1的数据 + 上述对t日的预测 + 上述对t+1日的预测

这种做法在机器学习社区中是否被接受？最佳的方法是什么？

我的简单解决方案：我使用t-1的数据进行训练。对t日进行预测。使用t-1 + t的预测重新训练。预测t+1日，依此类推。

我面临的问题：训练模型需要一些时间（约1.5-2分钟），对每一天重复这个过程似乎不太合理。当我运行100天来预测时，大约需要3个小时。

回答：

你的问题（包括你的评论）相当模糊，因为它没有描述你模型的输入数据。此外，当你说“使用预测x”时存在歧义，因为“使用”可能意味着用作训练数据，或者用作已训练模型的输入。

你不应该使用预测数据来重新训练你的模型。如果你的模型不是完美的（如果是完美的，就没有理由重新训练），你将创建一个自相矛盾的模型，它基于自己的输出进行训练，并将自己的错误用作“真实”标签。

在你的评论中，你提到有一个“现实生活中的事件”提供了正确的（真实的）标签。当你收到新的真实数据时，重新训练你的模型当然是可以接受的。

你可以用多种方式处理你的处理问题。最佳方式将取决于你模型的细节，但这里有一些你可以一般考虑的选项：

• 简单地等待N天后再重新训练模型。
• 仅在模型做出错误预测时重新训练模型。
• 限制用于重新训练的数据量（例如，仅使用最近M天的数据）。

关于“使用”预测和/或新的真实数据，可以在不重新训练整个模型的情况下，通过使用一个接受N天数据序列作为输入的模型来实现。例如，你可以使用t-N-1:t-1天来预测t日。然后，不重新训练模型，使用t-N:t天来预测t+1日。这可以使用预测或新的真实值来完成。N的大小具体应为多少，将取决于你的模型和输入数据的细节（例如，是否考虑日期/季节性变化）。