利用Keras中的LSTM预测时间序列中的多个时间步

例如，我想使用Keras中的LSTM预测时间序列的下一个点。 我通过选择

0:p-1

点作为输入特征，然后选择

k

点，即

p:p+k-1

作为输出特征，从包含所有点的列表开始构建一个数据集。我继续这个过程，将

1:p

作为输入特征并。。。 最后我得到两个数据帧

X

，输入数据是

txp

和

y

，输出数据是

txk

。因此，我的问题基于多对多结构

然后我的网络的第一层是：

model.add(LSTM(neurons, input_shape=(X.shape[1], X.shape[2]), return_sequences=True))

---

但这里的时间步长是1。我的问题是如何增加时间步长。我是否应该复制

X

和

y

中的一些行？我做得对吗？

我在下面的链接中找到了答案。我把链接放在这里只是为了将来参考：

model.add(LSTM(neurons, input_shape=(X.shape[1], X.shape[2]), return_sequences=True))