我有一个数据集，其中包含来自银行账户的经常性和非经常性费用交易，以及描述银行账户和每笔交易的其他特征。我通过汇总每天的所有交易来汇总每个帐户的这些交易，这样我就有了每天的总费用金额。换句话说，对于每个客户，我都有一个跨越数年的每个帐户的时间序列。每个时间序列都包含每日费用金额（以及关于这一天和账户的其他特征）。

我现在需要预测一个帐户接下来 7 天的费用金额。我最初的尝试是使用日常开支金额的一系列单一特征作为 LSTM 的输入。我将预测值 t+1，然后将其用作预测 t+2 的最新输入。我重复这 7 次以获得 7 天的预测。

结果在大多数情况下似乎还可以，但不是很好。我想探索更复杂的建模，看看我是否可以改进这个初始基准模型。

这是我遇到的最好的实验：

https://machinelearningmastery.com/how-to-develop-lstm-models-for-multi-step-time-series-forecasting-of-household-power-consumption/

编码器-解码器 seq2seq LSTM 会解决这个问题吗？CNN-LSTM 或 ConvLSTM 怎么样？我还想使用数据的一些附加输入特征来丰富用于预测以下 7 天费用值的数据。这将是一个多变量、多步的预测。