Python 如何在Tensorflow（或使用其他工具）中进行时间序列预测，其中标签timestep的功能是已知的？

这是一个关于一般方法的问题，而不是一个特定的编码问题。我正在尝试使用Tensorflow进行时间序列预测，其中模型知道标签timestep的特性。如果一个人试图预测一周后的某个变量，他就会知道下周将要发生的事情会影响该变量。因此，一个包含20个时间步的窗口，其中标签是20个时间步，其外观如下所示：

• timestep1-19每个都有一组特性和timeseries数据
• Timestep 20将有一组已知的特性，加上未知的timeseries标签

---

有没有一个模型可以处理这类数据？我读过Tensorflow，上过Tensorflow时间序列预测的课程，并在别处搜索过，但我什么也没找到。我对这一点还很陌生，所以我为任何不精确的语言道歉。

我曾经尝试通过叠加一个多元模型和另一个机器学习模型来解决这类TS问题。我的想法是，我使用正常TS模型的输出，将其作为另一个特性添加到另一个模型中，该模型只接受最后一个时间步长的信息作为输入。但它很复杂，即使我仔细地规范化了第二个模型，也可能会拟合过度。其思想是，我使用步骤1到窗口大小-1信息来预测步骤窗口大小的粗略输出，然后使用步骤窗口大小的信息来减少TS模型输出和实际标签之间的残差；但是我不认为这种方法在理论上是正确的，结果可能比使用TS模型而不提供目标步骤的信息更糟糕

我认为tensorflow没有任何API可以解决您的问题，因为这类问题不是正常的TS问题。通常人们会把这类问题看作是一个回归或分类问题

我也不是这个问题的专家，但我只是碰巧试图解决确切的问题，所以这只是我个人的经验