如何利用多数据集训练LSTM模型实现时间序列预测？

我需要用LSTM模型做时间序列预测，数据集由3个结构完全一致的Excel文件组成：每个文件都是设备每分钟采集1个数值，实验时长相同，单文件的数据量完全一致。

单文件训练时，我可以将数据整理成*(样本数, 时间步长, 特征数)的3维张量，模型能正常运行。但同时处理3个文件时，得到的输入张量形状是(3, 252, 1, 1)*的4维结构，而LSTM层仅支持3维输入，无法直接使用。

我尝试过两种处理方式：

• 拼接数据集训练：将3个文件的数据拼接成单个数据集，设置batch_size=252（单文件的样本数）来避免不同实验数据混合，但最终预测效果远不如单实验训练的结果。实现代码如下：

def build_model():
  model = keras.Sequential([
    layers.Masking(mask_value = 0.0, input_shape=[1,1]),
    layers.LSTM(50, return_sequences=True),
    layers.Dense(1)
  ])

  optimizer = tf.keras.optimizers.Adam(0.001)

  model.compile(loss='mse',
                optimizer=optimizer,
                metrics=['mae','RootMeanSquaredError'])
  return model

model_pred = build_model()
model_pred.fit(Xchopped_train, ychopped_train, batch_size = 252,
               epochs=500, verbose=1)

其中Xchopped_train和ychopped_train是3个Excel文件拼接后的数据集。

• 循环单文件训练：遍历每个文件单独训练，每个文件训练167轮，目前这个方法的预测效果最好，但我不清楚这种训练方式下神经网络权重的更新逻辑、损失函数的优化过程，想咨询是否有更高效的实现方式。实现代码如下：

for i in range(len(Xtrain)):
    model_pred.fit(Xtrain[i], Ytrain[i], epochs=167, verbose=1)

Xtrain的形状为(3,252,1,1)，第一个索引对应Excel文件的序号。

内容的提问来源于stack exchange，提问作者Duktti