Python 是否可以使用LSTM预测作为下一时间步的输入？

我正在使用LSTM（PyTorch）进行多元时间序列预测。让我们想象一下这种情况：我有两个时间序列，A和B，我想用A和B的先前值（在t之前）预测B的t值。这样的预测效果很好，我的模型得到了很好的结果

但是，如果（在测试期间，在训练之后）我想使用B的预测值作为下一时间步的输入，而不是实际值，该怎么办？例如：我预测B的第一个值，进行一步，将预测值替换为实数，然后再次进行预测。然后我使用两个预测值而不是实际值，依此类推。在某些步骤中，只有预测值会出现在时间序列B中

---

有没有可能做到这一点？

这正是人们通常为机器翻译和文本生成所做的。在这种情况下，LSTM预测词汇表的分布，您选择一个单词，并在下一步将其用作网络的输入。有关更多详细信息，请参阅

重要的一点是，LSTM在两种情况下执行：

• 用于培训：作为标准序列标签。它是提供的输入，它应该预测未来的一个步骤

• 推理：它逐渐生成新样本，并将其用作下一个输入。在PyTorch中，这需要通过显式for循环实现

---

教师强制收敛速度更快。在测试模式下，您可以使用beam搜索来获得最佳绩效。我使用教师强制方法进行培训。当预测值作为下一时间步的输入时，测试过程中会出现问题。例如，[x1，x2，x3]预测x4，在下一时间步我将使用[x2，x3，x4]预测x5，等等，x3后的值是预测值，不是来自测试数据，但我的lstm不收敛。谢谢回答！这真的提高了我的理解力。但问题在于有点不同的方向。结果我完全按照你的建议做了。问题是，当我对输入使用预测时，例如[x1，x2，x3]预测x4，在下一个时间步我将使用[x2，x3，x4]预测x5，依此类推，x3后的值是预测值，不是来自测试数据，我的lstm不会收敛，但当我只使用测试数据时，一切都很好。我检查了输入的类型，它们在两种情况下都是相同的。