您可以让LSTM返回完整的序列，而不仅仅是最后一个输出，如下所示：

model = tfkr.models.Sequential()
    model.add(tfkr.layers.InputLayer(input_shape=(window_size, 10)))
    model.add(tfkr.layers.LSTM(64, return_sequences=True))
    model.add(tfkr.layers.Dense(8, 'relu'))
    model.add(tfkr.layers.Dense(10, 'linear'))

每个LSTM输出都将经过相同的密集权重（因为我们没有展平）。您的输出将是形状
(None, window_size, 10)
这意味着对于k个输入时间点，您将得到k个输出时间点。
缺点是，第一个输出只能使用第一个输入计算，第二个输出只能使用前两个输入计算，依此类推。因此，我建议使用双向LSTM，并将两个方向结合起来，如下所示：

model = tfkr.models.Sequential()
        model.add(tfkr.layers.InputLayer(input_shape=(window_size, 10)))
        model.add(tfkr.layers.Bidirectional(tfkr.layers.LSTM(64, return_sequences=True), merge_mode='sum')
        model.add(tfkr.layers.Dense(8, 'relu'))
        model.add(tfkr.layers.Dense(10, 'linear'))

一种方法是，假设您最初对模型进行了如下训练：

x_train = [
[1, 2, 3, 4, 5, 6, 7],
[2, 3, 4, 5, 6, 7, 8],
]
y_train = [
[8],
[9]
]

培训是使用www.example.com进行model.fit并进行了所有适当的重塑。

model.fit(x_train, y_train)

那么，当你试图预测

ans = model.predict(x_train[0])
ans: 8

但是，假设您希望它也预测下一个值，预期输出为8，然后是9，或者对于***n***个预期输出，您将预期结果为8、9、10、11......等等。
那么我建议用以下方法来处理这个问题：

def predict_continuous(model, input_arr, num_ahead):
    # Your input arr was [1,2,3,4,5,6,7]
    # You want the output to go beyond just 8, lets say 8,9,10,11,...
    # num_ahead: How much into the future you need predictions.
    predictions = []
    model_input = input_arr
    for i in range(num_ahead):
        predictions.append(model.predict(model_input)) # Get the prediction, and subsequent predictions are appended
        # Since the LSTM model is trained for a particular input size, we need to keep dynamically changing the input
        # so we strip off the first value from the input array, and append the latest prediction as its last value.
        model_input = model_input[1:].append(predictions[-1])
    return predictions

现在，这不会直接工作，你将不得不做一些重塑，但核心思想保持不变。