Python 不带y值的拟合keras模型

我正在用Keras建立一个模型来预测2周的一系列大气压力值。下面是我使用的模型结构：

self.model = Sequential()
self.model.add(CuDNNLSTM(256, return_sequences=False, input_shape=(None, 2)))
self.model.add(RepeatVector(336))  # 336 corresponds to 2 weeks of hourly values (24 x 14)
self.model.add(CuDNNLSTM(128, return_sequences=True))
self.model.add(TimeDistributed(Dense(2)))

（注意：

CuDNNLSTM

层与Keras中的

LSTM

层相同，但在Nvidia gpu上运行速度更快）

对于模型的训练，

x

的形式为

[n_样本，n_时间步，n_特征]

，其中

n_样本

是训练系列的数量（每个气象站有一个），

n_time_steps

是每个系列每小时的数据点数量，

n_features

是每个时间步的特征数量（在这种情况下，第一个特征是大气压力，第二个特征是0或1，具体取决于天气条件）。所有的训练数据都在-1和1之间标准化

y

的结构与

x

相同，但它包含

x

中2周小时数据之后的2周的小时数据

该模型经过训练，验证损失为0.28115。当我在看不见的数据上使用模型进行预测时，预测遵循一天中上升和下降的正确模式，但是，它们没有达到正确的峰值和低点，因为每个系列略有不同。为了解决这个问题，我通常会在预测将权重稍微调整到特定序列之前，在特定序列上拟合一次通用模型。问题是，我没有足够的数据来生成

x

和

y

以输入model.fit（），因为

y

需要336个时间步

是否有一种方法可以在不指定

y

的情况下拟合模型？我建立了一个模型，在一个循环中一次做一个小时的预测，而不是一次做所有的预测，从而绕过了这个问题。然而，我希望能够立即预测整个2周系列。有没有更好的办法

此外，是否有可能让模型只预测大气压力特征而不预测另一个二元特征？这会影响性能吗？我通常会在

Sequential（）

模型的末尾添加一个

Dense（1）

层，如下面的示例所示，但我不知道在进一步使用

RepeatVector（）

层时如何做到这一点。（使用

RepeatVector（）

层一次预测多个时间步）

self.model = Sequential()
self.model.add(CuDNNLSTM(256, return_sequences=True, input_shape=(None, 2)))
self.model.add(CuDNNLSTM(128, return_sequences=False))
self.model.add(Dense(1))