我以前碩論其中一部份就是在做這塊，所以可以回答你:
可以，而且這種預測方法屬於多步預測(multi-step forecasting)裡的分支:遞迴式多步預測(recursive multi-step forecasting)
搜尋關鍵字:神經網路預測控制(neural network model predictive control)就能找到你想要的
遞迴式多步預測的缺點在於，隨著輸入訊號裡的預測值越多，模型的預測能力將以雪崩式呈現
其他多步預測方法可以看下面連結
4 Strategies for Multi-Step Time Series Forecasting
有個疑問：用預測值取代原始值，不會讓模型的預測能力下降嗎？那這樣做的理由是？
(1) 會下降，而且是很恐怖的那種
(2) 遞迴式多步預測是單步預測模型加上一個回饋迴路進而延伸為多步預測，這只是個多步預測的其中一個實現方法。多步預測在某些領域或者技術上是必要的。
Direct Multi-step Forecast Strategy:1個模型負責1個時刻，需要龐大計算能力且橫跨時間過大會導致無因果關係使得訓練失敗
Recursive Multi-step Forecast:基於單步預測模型再加上一個feedback，但容易失真，需要其他方法輔助
Direct-Recursive Hybrid Strategies:前兩個方法的整合，簡單說就是多個模型串聯。但我沒看過別人使用過，且沒有嘗試過
Multiple Output Strategy:方法直觀但模型會過於肥大且不易訓練，但有一定效果
脫褲子放屁阿,沒有人模型做出來整天在調整的
通常都是利用大量歷史資料做訓練,完成預測模型
再用測試資料去驗證模型
最多在建模的時候,一直調整參數,直到準確度最高 (合理可接受範圍)
然後模型就可以用一陣子
最多就是一陣子後再去調整
銀行的羅吉斯迴歸 建構 信用評分 , 大都是這樣
就算是神經網路也不會每天在調整模型
如同有人回答的,這種模式會血崩式的失準
但也許有一些特殊的情況下可以用這種方式
建模通常不會每天調整
iThome鐵人賽
看影片追技術