Python Keras时间序列，如何预测下一个时间段

我在一些数据上使用了Keras。详情如下: 8000个客户，每个客户的时间步长从2到41不等。因此，我使用零填充来确保所有客户都有41个时间步长。所有8000名客户都有2个功能，数据带有多类标签，0-4。每个tilmestep都有一个标签

训练完模型后，在流程的测试部分，我想输入时间步1-40的特性和标签，然后让它预测第41个时间步中的标签。有人知道这是否可能吗？我发现Keras在解释它实际预测的内容时有点像一个黑匣子（例如，当它给出准确度分数时，它的准确度是多少？它试图预测什么：最后一个tilmestep标签还是所有tilmestep标签？）

---

是否有应在连续的Keras LSTM模型中使用的模型的特定子划分？我读过“多对一模型（f（…）在接收多个输入值（X（t），X（t+1），…）后产生一个输出（y（t））值。”（布朗利2017）。然而，它似乎并没有考虑到这样一个事实，即除了我想要预测的最后一个时间步之外，我的输入对于所有时间步都是Xt&Yt。我不确定如何设置代码来指示模型预测最后一个时间步（我有数据，但我想将预测的类别与实际类别进行比较）

要预测每个功能的下一个时间步，您希望最终的

密集层的宽度与功能数量相同：

model.add(Dense(n_features))

这里有一个类似问题的好例子，在多并联串联下

准确度
只是衡量模型有效性的一个指标。对于准确性，它是
正确的预测/总预测

您使用的是哪种keras模型？我认为是多对一，但我不确定如何编程该模型，使其预测最后一个tilmestep，即使我有这些数据，以便能够在预测值和实际值之间进行比较（编辑原始问题以提供更多信息）。我不想预测特征值，我想预测标签。每个时间段都有一个特征向量（x），然后是这些特征的标签（y）。我想预测下一个时间段的（y）。我也有多个序列。这些数据与消费者行为有关。每个客户都有一系列不同时间段的购买。y分类是每个客户在每个时间点与这些功能相关的标签。我想预测客户下次购买时的y值。在这种情况下，您需要
模型。添加（密集（n_标签））
。然后它会输出时间步属于每个标签的标签的概率。谢谢SpiffyB-我会尝试一下，让你知道我是怎么做的。