假设我们有一个时间序列的特征，并试图学习使用神经网络我们的目标是在给定今天观察到的情况下，能够预测明天和后天$\{{\bf x}_i\}$$\{t_i\}$$t$${\bf x}$

我最初的想法是：

1. 如果我们的目标是能够在的情况下预测明天，我们将制作我们的（训练、标签）数据集。$t$${\bf x}$$({\bf x}_i, t_{i+1})$

2. 如果我们的目标是能够的情况下预测后天的，我们将制作我们的（训练、标签）数据集。$t$${\bf x}$$({\bf x}_i, t_{i+2})$

我们当然可以使用两个单独的 NN 对单个输出节点执行此操作，但我认为最好使用一个具有 2 个输出节点并在对上进行训练。$(t_{i+1}, t_{i+2})$

无论如何，理想情况下，模型应该最终预测给定时相同的值（当第天是明天）（当第天为后天时）。这与试图预测没有时间转换属性的两个独立值不同。通常，当数据具有附加结构时，可以通过某种方式对其进行利用。$t_{i+2}$${\bf x}_{i+1}$$i+2$${\bf x}_{i}$$i+2$

能否将这种期望的等效性构建到模型的训练或架构中？