作者回复: 正如另外一个同学留言所解释的那样，这两个案例在表面上确实都是基于历史数据来预测未来的信息，但它们的核心问题和数据性质是有所不同的。 案例差异 “根据前60天的历史激活数数值预测未来激活数”：这个案例是典型的时序数据预测问题，每天的激活数都可能受到前面若干天激活数的影响，形成一个序列的依赖关系。 “根据前三个月的RFM值预测一年的总消费额”：这个案例更多地是基于客户的行为特征（RFM值）进行预测，不同的客户可能在相同的三个月时间内有不同的RFM值，但这个RFM值与其在未来一年的消费行为存在一定的关联。 是否可以用RNN处理第7讲的案例 理论上，只要数据之间存在序列依赖性，RNN都是可以尝试的。但在第7讲的案例中，RFM值更多地是描述客户的购买行为，而不是时间序列的连续性。尽管如此，如果你能转化这个问题为时序问题（例如，连续三个月的RFM变化来预测下一年的总消费），那么使用RNN是可能的。 但通常情况下，我们可能更倾向于使用其他的机器学习模型来处理RFM预测的问题，如回归分析、决策树或集成学习方法。 RNN时序数据集构建 时序数据处理中，为了训练RNN模型，我们常常会使用滑动窗口的方式构建数据集。 以“前60天的历史激活数数值预测未来激活数”为例，如果我们有200天的数据，那么可以构建如下的数据对： 1-60天的数据来预测第61天的数据 2-61天的数据来预测第62天的数据 3-62天的数据来预测第63天的数据 ... 139-198天的数据来预测第199天的数据 140-199天的数据来预测第200天的数据 这样，我们就构建了一个包含140个样本的数据集，每个样本有60个特征，可以用来训练RNN模型。 希望这可以帮助你更好地理解这两个案例的区别以及RNN时序数据集的构建方法。

作者回复: 对的，时序数据集完全可以加入历史数据信息，也可以把时间作为特征输入模型，这样的模型才更加完整。 网上有很多值得参考的带时间特征的LSTM处理样例，下面是我随便找的一个，你可以参考。 https://www.kaggle.com/ieshaan/delhi-climate-time-series-lstm

作者回复: 对的，这是这个示例本身的问题。它在预测曲线的时候，是使用了要预测的时刻的过去50个时间点的特征，严格说，的确可以算作数据泄露。那么你可以学习下面这样的数据集，其中包含日期，和相关日期的温度、湿度、气压、风速等多个特征，这样，就有很多的信息来根据日期来预测未来某个特定日期的标签。（不过，也很难知道未来某天的风速、湿度、气压。。。对吧）。因此，我整体感觉预测未来的确似乎是个伪命题。。。。要预测未来，还得先了解未来，这怎么可能呢。 https://www.kaggle.com/sumanthvrao/daily-climate-time-series-data

作者回复: 我在另外一个类似的问题的回答中给出了我的一些看法，和一个其它类型的时序数据集。