我一直在跟随https://machinelearningmastery.com/blog/上的各种教程，使用Keras取得了不错的成果。最近我一直在尝试使用深度LSTM网络来解决时间序列预测问题。网络训练得很好，并且产生的误差在可接受范围内。在实际应用中，没有数据点可以用来生成下一个预测，就像在测试数据集中可以做的那样，所以我想能够使用最后一个预测作为输入。

对于这个网络的实际应用，我需要能够使用初始数据来预测t+1，將结果添加到输入数据中，然后预测t+2，再将结果添加到输入数据中，依此类推，直到能够预测到未来的特定时间步长。

我最初开始使用以下代码：

start = len(testX)-15pattern = testX[start]for i in range(200):    x = numpy.reshape(testX, (testX.shape[0], testX.shape[1], 1))    prediction = model.predict(testX[i:i+15], batch_size=batch_size)    pattern.append(prediction)print "\nDone."

这种方法在执行pattern.append(prediction)这一行时遇到了问题，产生了错误：AttributeError: ‘numpy.ndarray’ object has no attribute ‘append’。这导致无法用最后的预测更新输入，从而打破了连续循环。

我还没有找到任何使用这种输入方法的神经网络模型，可以基于最新数据进行时间预测。

回答：

使用numpy.append()可以在数组末尾添加值。

对于您的代码，应该使用pattern = numpy.append(pattern,prediction)。

祝您好运。