Tensorflow 使用窗口数据集预测未来时期的时间序列值

我有3650个时间步之前的数据，但我想做未来预测，即3650个时间步之后的数据。我是机器学习新手，显然搞不懂。我怎么做？ 作为参考，

---

描述了如何使表格（或横截面）回归算法适应预测问题的一般方法。简言之：在滞后观测窗口上训练模型。要生成预测，您有不同的选项，最常用的是递归策略，这里您使用最后一个可用窗口预测第一个值，然后使用第一个预测值更新最后一个窗口以预测下一个值，依此类推

如果您感兴趣，我们正在开发一个工具箱，它扩展了scikit learn，正好用于这些用例。因此，你可以简单地写下：

import numpy as np
from sktime.datasets import load_airline
from sktime.forecasting.compose import ReducedRegressionForecaster
from sklearn.svm import RandomForestRegressor
from sktime.forecasting.model_selection import temporal_train_test_split
from sktime.performance_metrics.forecasting import smape_loss

y = load_airline()  # load 1-dimensional time series
y_train, y_test = temporal_train_test_split(y)  
fh = np.arange(1, len(y_test) + 1)  # forecasting horizon
regressor = RandomForestRegressor()  
forecaster = ReducedRegressionForecaster(regressor, window_length=10)
forecaster.fit(y_train)
y_pred = forecaster.predict(fh)
print(smape_loss(y_test, y_pred))
>>> 0.139046791779424