如何调用已训练好的模型来进行未来数据的预测

Question

    我现在在做一个时间序列预测的项目。数据是销量数据，只有日期和销量两类特征，我在网上搜索LSTM方法来进行预测时，发现很多博主的文章都没有提到如何用训练好的模型来预测未来的销量，他们只是对已知的数据划分训练集和测试集，用训练集训练对应的模型参数，然后用测试集来验证训练集训练模型的好坏。但是对于未知的数据，大多数博主没有提到如何进行预测和数据输入。

比如我目前已知的数据是2021/1/12022/9/30日的销量数据，网上相关的LSTM帖子会对这21个月的数据进行训练集、测试集的划分，最后进行训练并得到训练好的模型。那么如果我想利用这个训练好的模型来预测2022/10/12022/10/7的数据，应该怎么预测呢？或者更具体的说，对于我这种单变量（销量）数据，我在调用训练好的模型来预测未来数据时，输入的的数据是什么呢？是前m天的数据吗？比如输入2021/9/1~2021/9/30日的销量数据吗？(以30天数据预测后7天的数据）

   之前在训练时，直接就把整个2021/1/1~2022/9/30的数据一起输进去了，然后代码自动划分数据集，如下

dataframe = pd.read_csv(r"D:\桌面文件夹哦\数据统计\悠度数据\2特征.CSV", usecols=[1], engine='python', skipfooter=3)
dataset = dataframe.values
# 将整型变为float
dataset = dataset.astype('float32')
# 归一化 在下一步会讲解
scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(dataset)
train_size = int(len(dataset) * 0.8)
trainlist = dataset[:train_size]
testlist = dataset[train_size:]

 那么对于我的这种单变量数据来说，应该怎么设置新的输入数据来预测对应的未来输入值呢？像多特征数据，比如股票预测，你可以输入除预测值之外的其它4个特征数据，比如你要预测后七天的开盘价，那么你可以输入后七天中除开盘价之外的四个特征数据，如下所示

而总的特征有五个，如下所示

所以，我想请各位指点一下，谢谢各位~

Answer 1

一般就是对应训练模型的样本，比如训练时输入是前30天的数据，输出是后7天的数据，训练完预测的时候也一样
感觉这种不如用自回归或者灰度模型先做做看