Временные ряды LSTM с использованием Keras Sequential, объяснение .predict() ⇐ Python

[Anonymous]

Я подогнал модель, используя последовательный Keras, со слоями LSTM. Модель LSTM будет переносить определенные аспекты состояния из одного периода t в следующий, помимо входной последовательности значений для этого периода.
Я адаптирую модель к данным, заканчивающимся 31 декабря 2025 года. Теперь я хочу сделать прогноз, начиная с сегодняшнего дня, 21 января 2026 года. Откуда .predict() получает значение скрытого состояния в первом периоде прогноза? Это инициализируется с фиксированным значением? Или он основан на модели, соответствующей последнему фактическому состоянию (31 декабря, как если бы прогноз начинался 1 января)?
Хотя этот вопрос носит концептуальный характер, я включаю пример программы на случай, если это имеет значение.
model1 = Sequential([
LSTM(128, input_shape=(ts, X1.shape[2]),dropout=0, recurrent_dropout=0, return_sequences=True), # Default activations
LSTM(64, dropout=do, recurrent_dropout=0), # Default activations
Dense(1) # Output layer
])

model1.compile(optimizer='adam', loss='mean_squared_error', metrics=['mean_absolute_error'])

history = model1.fit(
X1, y1,
epochs=ep,
batch_size=32,
verbose=verb)


Подробнее здесь: https://stackoverflow.com/questions/798 ... xplanation