我有以下数据"cycles"随着时间的推移而增长：
enter image description here

我的目标是将其中的一部分馈入LSTM网络，以预测或预测剩余的点（至少足以构成一个完整的周期） .

我一直在尝试遵循这个教程：https://machinelearningmastery.com/multi-step-time-series-forecasting-long-short-term-memory-networks-python/但它似乎用小"windows"训练，我们将1D系列的点转换为训练数据集X和Y，其中 X 列由第一个 n_lag 点和相应的组成y列表示下一个 n_seq 点 .

然后在这些小点中进行预测（下面我们放大并查看源自测试集的每个点的这5个预测点） .

enter image description here

有没有办法输入所有的训练数据，然后预测说~50分而不是5分来捕捉最后一个完整周期左右？如果可以，那么如何形成训练数据呢？如果我使 n_lag = ~200和 n_seq = ~50，它似乎不起作用 .

那么测试集的大小是否等于每个 Y （长度 n_seq ）中的点数？

任何建议将不胜感激 .

deep-learning time-series lstm forecasting rnn