Не совсем ясно из вопроса, чего вы пытаетесь достичь. Исходя из того, что вы написали, вы хотите создать автоэнкодер с тем же вводом и выводом, и это не очень важно для меня, когда я вижу ваш набор данных. В общем случае кодирующая часть автоэнкодера создает модель, которая на основе большого набора входных функций создает небольшой выходной вектор, а декодер выполняет обратную операцию восстановления вероятных входных характеристик на основе полного набора выходных данных. и входные функции. Результатом использования автоэнкодера является улучшенный (в некотором смысле, например, с удаленным шумом и т. Д. c) вход.
Здесь вы можете найти несколько примеров с третьим вариантом использования, обеспечивающим код для данных последовательности, обучение модели генерации случайных чисел. Вот еще один пример , который выглядит ближе к вашему приложению. Последовательная модель построена для кодирования большого набора данных с потерей информации. Если это то, чего вы пытаетесь достичь, вы найдете код там.
Если целью является прогнозирование последовательности (например, будущие цены на акции), это и , что Пример представляется более подходящим, поскольку вы, скорее всего, хотите предсказать только несколько значений в вашей последовательности данных (скажем, dHigh и dLow), и вам не нужно прогнозировать day_of_week_n или month_n (даже при том, что эта часть модели автоэнкодера, вероятно, будет тренироваться намного надежнее, поскольку схема довольно ясна). Этот подход позволит вам предсказать одно последующее значение выходного признака (завтра dHigh и dLow)
Если вы хотите предсказать последовательность будущих выходов, вы можете использовать последовательность выходов , а не один в вашей модели.
В общем, структура входов и выходов полностью зависит от вас