第二个选项听起来很有趣，但最好不要这样做：错误会总结起来，而且更难追踪错误的来源。就像您在第一个小时有一些错误，将其反馈到网络中，预测第二个小时在那里会出现错误，并且无法真正判断其中有多少是由第一个小时的错误引起的。

除此之外，我还没有看到任何使用这种反馈机制的应用程序。

所以一时$t$我们想预测值$y_{t+1}$取决于$y_{t+6}$正确的？你应该使用$x_0$取决于$x_t$作为输入并使用 6 个值作为目标/输出。然后当你得到新信息时，你添加$x_{t+1}$并使用它来更新 LSTM 的单元状态和隐藏状态并获得新的输出。喂食预测的问题是错误会累积，尽管序列生成模型（如 seq2seq）确实会发生这种情况。然后你要做的是在训练期间使用两种类型的训练，一种使用当前预测，另一种使用已知训练数据，两者都只占一小部分时间。这被称为“教师强迫”。

如果我们使用我的第一个建议，这里将解释如何准备数据。要训​​练你的模型，你需要使用滞后来准备你的目标。假设我们有$x$作为一维，我们试图预测接下来的 6 个值$x$，你会得到$x$和$y$：

| t | x   | y                     |
| 0 | 0   | [-1, 1, 2, 3, 2, 1]   |
| 1 | -1  | [1, 2, 3, 2, 1, 0]    |
| 2 | 1   | [2, 3, 2, 1, 0, -1]   |
| 3 | 2   | [3, 2, 1, 0, -1, -2]  |
| 4 | 3   | NaN                   |
| 5 | 2   | NaN                   |
| 6 | 1   | NaN                   |
| 7 | 0   | NaN                   |
| 8 | -1  | NaN                   |
| 9 | -2  | NaN                   |

最后六个步骤没有目标，因为它在我们的训练集中不可用。损失函数将是每个时间步长六个预测的（加权）均方误差。如果您真的不想丢弃数据，您可以创建一个自定义损失函数，该函数可以利用只有 4 个目标可用这一事实，因为我们已接近尾声，但这会使事情复杂化。

编辑：关于标题中的问题，你想尽可能地回顾过去，这基本上意味着你总是从$t=0$.