我已经阅读了一段时间有关使用LSTM训练tf.keras模型的知识，其中我确实使用简单的feedforward NN架构使用相同的框架来解决回归问题，并且我非常了解应该如何我为此类模型准备了输入数据，但是当训练LSTM时，我对输入的形状感到非常困惑。
有很多需要注意的地方：time steps，number of samples，batch size，number of units等。除了LSTM的许多参数外如以下示例所示，keras尚不清楚的图层：
model.add(keras.layers.LSTM(units=3, batch_input_shape=(8,2,10), return_sequence=True, stateful= True))
所以我有以下外汇数据结构，其中我不知道如何为LSTM模型正确调整其形状。
open | close | high | low | volume | i1 | i2 | i3 | ... | i30 | nextClose
这些功能代表某种货币对的开盘价/收盘价/高价/低价，除了i1-> i30中的交易量和30种不同的指标值外，所有这些功能都对应一个一分钟的刻度。除了nextClose功能，它还代表了我希望能预测的下一个最小tick价收盘价。
问题1：任何人都可以解释一下数据应该如何成形以进行输入的一般概念，以及所有这些必需的参数（时间步长，批量大小...）是什么？
第二季度：在我认为一个简单示例很好的地方，应该如何将我上面的数据结构重塑为LSTM的有效输入？