1. 按顺序连接到第一个元素 X <sub>1</sub> 的特定 RNN 单元处理 X <sub>1</sub> 并获取其输出 y <sub>1</sub>
2. 在序列输入中,连接到下一个元素 X <sub>2</sub> 的另一个 RNN 单元使用 X <sub>2</sub> 以及先前的输出 y <sub>1</sub> , 获得下一个输出 y <sub>2</sub>
3. 重复该过程:在时间步长使用 RNN 单元处理输入序列中的 X <subxmlns:epub="http://www.idpf.org/2007/ops">i</sub> 元素时,先前的输出 y <subxmlns:epub="http://www.idpf.org/2007/ops">i-1</sub> ],在时间步 i-1 与 X <subxmlns:epub="http://www.idpf.org/2007/ops">i</sub> 一起使用,以在时间步 i 生成新的输出 y <subxmlns:epub="http://www.idpf.org/2007/ops">i</sub>。
因此,在时间步长 i 的每个 y <sub>i</sub> 输出 都具有有关输入序列中直到时间步长 i 以及包括时间步长 i 的所有元素的信息:X <sub>1</sub> ,X <sub>2</sub> ,... X <sub>i-1</sub> 和 X <sub>i</sub> 。 在 RNN 训练期间,预测价格 y <sub>1</sub> ,y <sub>2</sub> ,...,y <sub>9 将</sub> 和 y <sub>10</sub> 的每个时间步长与每个时间步长的真实目标价格进行比较,即 X <sub>2</sub> ,X <sub>3</sub> ,...,X <sub>10</sub> 和 X <sub>11 ,</sub> 和损失函数因此被定义并用于优化以更新网络参数。 训练完成后,在预测期间,将 X <sub>11</sub> 用作输入序列的预测,X <sub>1</sub> ,X <sub>2</sub> ,...,X <sub>10</sub>。