几分钟前我遇到了 RNN，它可能会解决我一段时间以来的序列数据问题。
假设我有一组输入特征，每秒生成一次。与这些输入特征相对应的是一个输出特征（每秒也可用）。一组输入特征没有携带足够的数据来与输出特征相关联，但它们的序列绝对可以。
我读到 RNN 可以沿着输入序列进行节点连接，这正是我所需要的，但几乎所有实现/解释都显示了对文本句子或数字序列中下一个单词或数字的预测。
他们预测下一个输入值是什么，即完成序列的那个。但是，就我而言，输出功能仅在训练期间可用。在推理期间，它将仅具有可用的输入特征。
在这种情况下可以使用RNN吗？它还可以预测不属于输入特征的特征吗？
提前致谢！
在这种情况下可以使用RNN吗？它还可以预测不属于输入特征的特征吗？
是的。
为此，无需对 RNN 进行任何更改。您所需要的只是正确标记的数据映射一系列纠正为了训练，当然还有一个RNN架构，它的输入向量匹配形状和输出向量匹配的形状. 的情况和相同的数据类型只是 RNN 设计的一个特例，而不是要求。
您可能需要考虑一些细节：
如果之间的关系和是复杂且非线性的，即使考虑到序列期间累积的隐藏状态，您可能需要添加更深的层。LSTM 的输出可以是某个向量你可以添加全连接层来帮助预测从. 这或添加更多 LSTM 层是您可能想要试验的超参数的选择。从一个基本的 LSTM 开始，看看它是如何进行的。
如果您希望预测与输入特征序列长度不同的输出特征序列，或者在逻辑上应该在整个序列之后（想想语言翻译），那么这可能需要稍微改变设置以获得最佳结果。对于 predict-same-kind 序列，您可以将预测的输出值输入下一个输入，但如果输入和输出具有不同的数据类型，这将不起作用。相反，您将需要一些虚拟输入或其他设置来创建序列.
在您的具体情况下，第二点似乎不适用，因为您想预测一个紧接着一系列.