Python 从向量到回归向量是否有神经网络模型？

我试图找到一个神经网络模型回归与向量。具体来说，我有几个不同的曲线。由向量x和向量y生成的每条曲线。x包含40个元素，y包含40个元素。此外，每条曲线都有一个特定的标签。例如，我有很多曲线，对于一条曲线，x是顾客的数量，如[1，3，6，…，50]，y是该店销售产品a的相应收入，如[100，120，140，…，200]，当有一个顾客时，收入是100。对于另一条曲线，x是客户数量，如[1,5,7,12，…，70]，y是销售产品b的相应收入，如[120,130,150，…，300]。我还有产品c，d，e的曲线

在这个例子中，如果我假设曲线a，b，c。。。通过学习a、b、d和其他曲线，可以使用这种关系来预测曲线c。我应该使用哪种类型的神经网络或机器学习算法？基本上，我认为这个问题是用一个向量来拟合一个向量。换句话说，输入应该是向量x和产品标签c，输出应该是向量y

我的想法是向量通常可以被看作是时间序列数据，所以我可以使用RNN，或LSTM。问题是x不是y的前一部分，所以我不确定是否可以将其作为时间序列数据

---

此外，曲线高度依赖于示例中的产品标签。如何将这个标签输入神经网络是一个问题。即使对于相同的矢量x，预测曲线y也应该因标签不同而不同。

您能给我们展示一个超级简化的示例吗，因为您的描述很难理解。听起来你有41个特征，一个“向量”中有40个值，一个“标签”和40个目标。这是一个正常的多元回归，你可以使用任何东西，从线性回归到RNN？是的，基本上我使用41个特征来回归40个目标。你认为RNN可以使用吗？或者我可以和一个简单的安一起去？我假设有一些类似于时间序列数据的关系。例如，如果x从7变为20，y也应该有一个大的跳跃。你能给我们一个超级简化的例子吗，因为你的描述很难理解。听起来你有41个特征，一个“向量”中有40个值，一个“标签”和40个目标。这是一个正常的多元回归，你可以使用任何东西，从线性回归到RNN？是的，基本上我使用41个特征来回归40个目标。你认为RNN可以使用吗？或者我可以和一个简单的安一起去？我假设有一些类似于时间序列数据的关系。例如，如果x从7变为20，y也应该有一个大的跳跃。