Deep learning 可变周期

我试图训练一个模型来预测几个月内开发的产品的最终成本。我有类似产品的历史数据，这些数据将用于培训模型

一些功能包括%计划、%开发、%提出的采购订单、未决采购订单、到目前为止的材料成本、时间段（每天采样）、间接成本、总成本

其目的是根据当前状态预测项目的最终成本。我熟悉LSTM，知道这是一个多变量多步骤预测

然而，问题仍然存在

项目结束日期不是固定的，所以在这种情况下我们如何选择窗口。一些项目可能持续一个月，其他项目则持续几个月

现在由于结束日期还没有确定，我们不知道未来会有多远，我们必须预测。因此，要预测的步数也会发生变化。我想我应该建立一个回归模型，根据当前的项目进度预测项目完成日期，然后用它来预测未来的时间步

此外，到目前为止，我所研究和看到的每个LSTM模型都有一个固定的预测窗口（预测接下来的7个时间步）。在这种情况下，假设我使用点#2来定义预测未来数量变化的步骤。最初预测前30个时间步，随着我们的进步，预测接下来的12个时间步，等等，我如何为同样的时间步构建模型

我可以想到的一种方法是训练模型只预测一个时间步，并根据需要循环当前预测的任意多个时间步。现在我明白了，如果我们根据当前的预测预测过多的时间步，这将大大降低准确性（复合误差）

如果评论中需要任何澄清，请告诉我。提前谢谢。

回答您的问题了吗？