我有一个MxN时间序列数据矩阵，包括X，Y和Z特征，使X，Y和Z相关。我希望LSTM能够模拟这些特征之间的相关性，而不是简单地将线条单独地拟合到这些特征。
例如，如果X为低，则Y为高。因此，当我测试时，模型不仅应该根据Y的先前值“预测”Y的下一个值，而且如果X的值低，则Y的值应该高。
如何允许我的LSTM不仅模拟数据的时间序列方面，还模拟数据特征之间的相关性？
以下是我目前的Keras LSTM型号。
谢谢！
model = Sequential()
model.add(LSTM(4, batch_input_shape=(batch_size, look_back,
dataset.shape[1]), stateful=True, return_sequences=True))
model.add(LSTM(4, batch_input_shape=(batch_size, look_back,
dataset.shape[1]), stateful=True))
model.add(Dense(dataset.shape[1]))
model.compile(loss='mean_squared_error', optimizer='adam')
for i in range(10):
model.fit(trainX, trainY, epochs=1, batch_size=batch_size,
verbose=2, shuffle=False)
model.reset_states()
下面的链接显示了我的LSTM模型的当前输出。固体尖刺线是真实的数据。第一条曲线是训练预测，第二条曲线是测试预测。我想知道模型如何找到特征之间的相关性，以期创建更准确的测试预测，而不是简单地将线条拟合到各个特征。
