我有一个类似于以下示例的序列数据集。它们的长度可变，但列数相同。我对a(t+1)使用特征进行预测很感兴趣b(t), c(t), d(t), e(t) ...
t a(t) b(t) c(t) d(t) e(t) ...
1 290.0 653.1 1.0 -0.2 -0.2 ...
2 289.9 653.2 1.0 -0.2 -0.2 ...
3 289.9 653.2 1.0 -0.2 -0.2 ...
4 289.8 653.2 0.9 -0.2 -0.3 ...
5 289.8 653.3 0.9 -0.2 -0.3 ...
6 289.8 653.3 0.9 -0.2 -0.3 ...
...
我能够为监督学习准备一个序列，并按照此处找到的教程使用下面的代码拟合一个简单的 LSTM 模型。Wheretrain_X包括(b,c,d,e,...)当时的所有功能，t并且train_y是a(t+1)
如何在多个序列上训练模型？最终，我的目标是：给定 的特征(b,c,d,e,...)，t=0, t=1, t=2, t=k-1预测a(k+T)下一个T时间步的输出。
model = Sequential()
model.add(LSTM(50, input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(Dense(1))
model.compile(loss='mae', optimizer='adam')
model.fit(train_X, train_y, epochs=1000, batch_size=1, validation_data=(test_X, test_y), verbose=1, shuffle=False)