Keras LSTM用于不规则间隔的时间序列分类

Question

我有一个包含各种样本的数据集，每个样本在不规则的时间间隔内都有一个或多个事件。有几个与事件相关的功能。我想预测与每个样本相关的二进制标签。

数据集如下：

    import pandas as pd
    X = pd.DataFrame({'id': [1,1,1,2,2,3,3,3,3],
              'time': [-1,-5,-10,-2,-4,-1,-4,-7,-10],
              'var1': [1,2,1,3,1,2,1,3,1], 
              'var2': [3,3,1,4,1,3,3,1,2],
              'var3': [4,5,6,1,3,5,6,7,8]})

    Y = pd.DataFrame({'id': [1,2,3],
              'label': [0,1,0]})

在X中，列ID为示例，时间反映事件发生在多少天之前。 Var1..3是与事件关联的功能（分类）。 在Y中，列标签是要预测的响应。

在实际数据集中，每个样本的事件数量变化很大，从1到极少。

如何使用Keras LSTM通过X数据帧中过去事件的特征来对Y数据帧中的标签进行预测？