我有5个想要神经网络预测的时间序列。时间序列彼此相关。每个时间序列由0到100之间的数字组成。我想预测每个时间序列的下一个数字。我已经有一个模型可以使用GRU训练一个时间序列，并且效果很好。我尝试了两种策略：
我对数字进行了归一化处理，并将该问题作为回归问题。迄今为止，最佳的验证精度为0.38。
我对时间序列进行了一次热编码，这种方法的效果明显更好（附加精度为0.15），但其内存消耗却是后者的100倍。
对于5个时间序列，我尝试了5个独立模型，但是在那种情况下，这5个时间序列之间的关系丢失了。我想知道什么是有效的策略。我可以想到两个自己，但我可能会缺少一些东西：
我可以堆叠输入，以便有5个热编码的输入，而不是5个热编码的输入。可以做到吗？
我可以创建5个模型并将其合并。我不确定如何处理输出。我应该拆分模型，每个时间序列一个模型吗？
有没有我忽略的策略？内存是个问题。在成千上万个时间序列中，样本长度为100，数据占用大量内存和处理时间。我四处搜寻，但找不到有效的策略。有人可以建议如何在Keras中有效地解决此问题吗？