具有静态和时序输入的RNN

Question

我有一个关于递归神经网络的基本问题。即使这不是特定于代码的，但我希望您能为我提供帮助。

我正在开发一个应该能够预测家庭人类行为（打开和关闭灯）的系统。 输入分为两种不同的数据样式。

一方面，来自运动传感器和电灯开关的数据。该数据与特定的时间戳配对，我已经可以使用RNN对其进行处理以获得相当不错的预测。

为了改善这些预测，我有第二个数据集，其中包含亮度，温度，湿度，人类存在状态和粗略时间数据（例如小时，工作日）。此数据还与独立于运动传感器和灯光时间戳的测量时间戳配对。不过，我可以在第一个数据集的时间戳上对这些值进行很好的估算。

我的问题是：将这些或多或少的常量数据（与运动传感器和灯光数据相比）追加到同一位置的输入数组元素列表中是个好主意，还是有一种添加方法LSTM层之后的那些数据？那甚至是个好主意吗？第一个数据集被标记化，但第二个数据集包含“真实”值，例如亮度，一方面不能（轻松且无损失）被标记化，另一方面可能具有与第一个事件的标记相同的值数据集。有什么好的方法可以处理此类数据？

更具体一点，我想举一个例子： 正在工作的RNN接受以下数据方面的训练：

[1,2,3,4],[5]
[2,3,4,5],[6]
[3,4,5,6],[7]

其中每个数字代表一个事件（1 =开启运动，2 =关闭运动，依此类推）。我知道[1,2,3,4]发生在例如[500]。 并且[3,4,5,6]发生在[1000]的亮度下。我有一个想法，就是在特定位置添加亮度，如下所示：

[500,1,2,3,4],[5]
[750,2,3,4,5],[6]
[1000,3,4,5,6][7]

我真的很想听听您关于该主题的想法。目前，我正在python中使用带有tensorflow的keras，但我会尽力学习神经网络背后的数学。

编辑

当前我正在使用keras.layers.Embedding，如果我想输入浮动数据，就不能再使用了。这解决了很多问题，并产生了更多问题，但不应影响我的问题。亮度等将在某些步骤中标准化。

〜法比安