使用LSTM的多个输入对时间序列进行多步预测

Question

我是深度学习和LSTM网络的新手，我想知道它们是否适合我的问题。 我的参考示例是这个（https://groups.google.com/d/msg/keras-users/9GsDwkSdqBg/kV1Ep9E_BAAJ）。 所以我有一组用户的信息（~500）。对于他们每个人，我知道，在25天的时间段内，有两个分数：1和2。

我的目标是在给定的一天 n 预测下一个 d 天的得分1。 （请忘记2趋势似乎相关，因为它不是典型的情况）。从我读到的关于LSTM的内容来看，关键部分是以正确的方式塑造数据。

我的初始输入，每个用户都是50个值的矢量（25分1和25分2）：

User 1: | SC1(1) | SC1(2) | SC1(3)| ... | SC1(25) | SC2(1) | SC2(2) | SC2(3) | ... | SC2(25) |
User 2: | SC1(1) | SC1(2) | SC1(3)| ... | SC1(25) | SC2(1) | SC2(2) | SC2(3) | ... | SC2(25) |
...

其中 SC1（1）表示时间点1的得分为1。 然后，我会将数据分成90％来训练模型，将10％分开来评估它。

所以考虑到我的训练集（450个样本），输入 X 和目标 y ，假设我想回顾过去3个时间点，并预测接下来的3，看起来像：

X:                                          Y:
|SC1(1)|SC1(2)|SC1(3)|SC2(1)|SC2(2)|SC2(3)|    |SC1(4)|SC1(5)|SC1(6)|
|SC1(2)|SC1(3)|SC1(4)|SC2(2)|SC2(3)|SC2(4)|    |SC1(5)|SC1(6)|SC1(7)|
|SC1(3)|SC1(4)|SC1(5)|SC2(3)|SC2(4)|SC2(5)|    |SC1(6)|SC1(7)|SC1(8)|
                  ...
|SC1(20)|SC1(21)|SC1(22)|SC2(22)|SC2(21)|SC2(20)|   |SC1(23)|SC1(24)|SC1(25)|

我现在的问题是：

1）数据是否以正确的格式分割和排列（使用Keras进行处理）？

2）我只需要回顾我想要向前推进的内容吗？如果没有，这些值是否有经验法则？

3）在属于不同用户的数据序列上训练网络是否有意义？ （即 X 将被定义为所有用户生成的3个步骤的所有可能序列的集合）