我花了几个月的时间阅读了无数的帖子，但我仍然感到像最初一样困惑。希望有人能帮到我。
问题：我想使用时间序列来预测特定地点的天气数据。
设置：
X1 和 X2 都是包含10年每日指数值的向量（每个向量总共3650个值）。
Y 是纽瓦克机场的温度时间序列（T），涵盖10年的每一天（3650天）。
有很强的理由表明 X1 和 X2 可以用作 Y 的预测因子。所以我将所有数据分成100天的窗口，并创建以下内容：
X1 = (3650,100,1)X2 = (3650,100,1)例如，窗口1包括从 t=0 到 t=99 的值，窗口2包括从 t=1 到 t=100 的值，依此类推。（假设我在末尾有足够的额外数据，我们仍然有3650个窗口）。
我从其他教程中学到，要进入Keras，我会这样做：
X = (3650,100,2) = (#_of_windows,window_length,#_of_predictors) 这是通过合并 X1 和 X2 得到的。
然后我有以下代码：
model = Sequential()model.add(LSTM(1,return_sequences=True,input_shape=(100,2)))model.add(LSTM(4))model.add(Dropout(0.2))model.compile(loss='mean_square_error',optimizer='rmsprop',shuffle=True)model.fit(X,Y,batch_size=128,epochs=2) # Y is shape (3650,)predictions = model.predict(?????????????)所以我的问题是，如何设置 model.predict 部分以获取未来 N 天的预测？有时候我可能需要2天的预测，有时候可能需要2周的。我只需要得到 N 个值（形状：[N,]），我不需要得到窗口或其他类似的东西。
非常感谢！
回答：
你能预测的唯一格式是你训练模型时使用的格式。如果我理解正确的话，你的模型是按如下方式训练的：
你使用了大小为100的窗口（即，时间 T-99,T-98,...,T 的特征）来预测时间 T 的目标值。
如果确实如此，那么你能用这个模型做的唯一预测就是相同类型的预测。也就是说，你可以提供100天的特征值，并要求模型预测这100天中最后一天的目标值。
如果你想让它能够预测 N 天，你必须相应地训练你的模型。也就是说，Y 中的每个元素都应该包含 N 天的序列。这里有一篇博客文章描述了如何做到这一点。
