啊，所有！想出了答案。

首先，这是一个时间序列预测问题。您希望预测（预测时间演变）这些 2D 轮廓。在分类问题（神经网络最流行的应用）中，目标值向量可以是 one-hot 编码向量，其中“1”值是正确的分类；其他值（类）为“0”。您将其提供给您的网络，它将“学习”与每个特定类别相对应的数据中的模式。它将通过最小化成本函数来做到这一点，直到预测的类别（最接近 1 的类别）与正确的类别匹配，并且其他预测非常接近于零。网络本质上越来越接近实际目标值。

这个确切的想法可以应用于这个预测问题，你输入一个目标值的向量，但是这次向量不是单热编码的（或者，在其他情况下，类的概率分布）。它只是轮廓上每个点的已知（目标）值。是的，RNN 很好，但 MLP 也可以完成这项工作。具体来说，对于 RNN，您可以使用 LSTM 单元和单元。对于这个特定问题，不需要 seqtoseq 或 NMT 架构。

一个重要的区别是预测问题不使用 softmax 函数。相反，他们使用 ReLU 和 MSE/MAD 等线性激活函数来处理损失。

在模型中设置此类问题（在预处理步骤中）可能与分类问题略有不同。此处的本教程总体上非常好，但也包含可用于许多预测应用程序的宝贵预处理代码（尤其是 series_to_supervised() 函数。

希望这可以帮助！