Python 有没有一种方法可以像使用SARIMAX模型那样，使用LSTM预测带有外生变量的时间序列？

我试图用外生变量预测时间序列，并成功地用SARIMAX模型进行预测，我试图用RNN模型（特别是LSTM模型）进行预测，但找不到任何方法来实现外生变量（我有完整的外生变量历史），但是这个变量会影响时间序列，因此需要考虑。 非常感谢你的帮助 谢谢你检查。它是一个实现您所寻找内容的库

如果您有时间序列数据和其他不可用的输入，则此功能非常有用 取决于时间。例如，来自两个不同城市的天气数据： 巴黎和旧金山。你想预测下一个温度吗 基于历史数据。但同时，你也期待着天气 以城市为基础进行改变。您可以：

• 将辅助功能与时间序列数据相结合（丑陋！）

• 将辅助特征与RNN层的输出连接起来。这是某种RNN后调整，因为RNN层不会看到此辅助信息

• 或者直接使用这个库！长话短说，使用已知的条件表示（如巴黎或旧金山）初始化RNN状态。这样，您可以优雅地建模P（x{t+1}| x{0:t}，cond）

而且它真的很容易使用

outputs = cond_rnn.ConditionalRNN(units=NUM_CELLS, cell='LSTM')([inputs, cond])

---

想详细说明一下你是如何成功地在SARIMAX模型中包含外生变量的，以及你在RNN模型中如何/在哪里发现类似的困难吗？嗨，@rigsby。我在SARIMAX函数中使用了exog属性：model=SARIMAX（train_data，exog=exportional_train，order=…，sequential_order=…），然后我使用了预测，它让我可以选择为预测明确定义一个外生变量：fc=model.forecast（steps，exog=exportional_test）。然而，我似乎不知道如何在LSTM模型中进行同样的操作。