小白在论坛上看了许多关于lstm预测的例子，发现大多都是预测的未来的前几个时间步比较精确，同时，越靠后的预测值越平缓而不准确。为了应对这个问题，我将原样本放大了一倍(比如0-23小时变为0-23-0-23，，由24小时变为48小时)，采用同等模型多重并行预测(只预测前几步)，具体措施是:每次采用48个时间的连续24步去预测下一样本的第1步(比如:第一个模型采用前0-23时间，预测下一样本0时刻，第二个模型采用1-23+当天的0，预测下一样本1时刻，重复24次，得到下一天的24小时预测数据)，不知道这样是否科学?
贴上一个帖子的例子：
《http://blog.csdn.net/lenglingling/article/details/106409067》
我主要是是想做数据预测，比如天气状况(pm2.5等等)，单用前面的样本(24小时pm2.5等影响数据)很难一个模型完整预测未来的24小时pm2.5数据(只有前几个小时比较准确)。我采用的方式是将原来的24小时数据扩大为48小时(还是原来24小时数据，只不过再重复加了同样本的0-23小时的数据，这样数据顺序变成了0-23再加0-23，相当于拷贝了一遍)。但是我读取每个样本数据时，仍然只读连续24行(这样我可以通过这个连续24行，预测下一个样本的比较准确的第1行，重复24次就是24行不同的数据)。简单来说，第一次用0点到23点数据预测第二天0点数据，第二次用当天1点到23点再加当天0点数据，预测第二天1点数据(就是改变所有样本的排列顺序，预测下个样本的首数据)。这样做，我发现了拟合效果还行，但是就是不清楚这个科不科学。这种效果能体现出深度学习的优势吗？
