利用数据驱动模型进行时间序列预测（非预测）

Question

我正在开发神经网络，通过使用具有5种不同特征（101,5,1）的3D输入序列数据，预测与时间相关的2D维目标序列（101,1）。因此，每个目标序列（101,1）代表步态分析数据集中的一个试验，我的数据集中有145个不同的试验。我也计划在我的培训、验证和测试中使用70:15:15规则。 下面是数据集说明，我将如何使用输入特性来预测目标值。

正如您在我绘制的图片中看到的，我想通过使用t=1特征（5种不同的特征）预测t=1目标值，并将此目标输出预测用作t=2的输入。因此，在t=2时，我将使用t=1预测目标值和t=2输入特征来预测t=2目标值，以此类推。本系列将在t=101结束。

值得注意的是，在我的时间序列预测建模中，我永远不会知道我的实际目标值，即使是在我的输入特性中。我的问题有点不同于时间序列预测，因为它们使用t=1,2,3,4输入和目标特征来预测t=5目标值<所以，这不是我想要的模型

所以，我的问题是，我应该使用哪种神经网络，以及如何在我的问题中使用