我在尝试使用LSTM来解决我的时间序列分类问题。数据集中大约有2000个数据点，每个数据点包含长度为25的4个时间序列。

model = Sequential()model.add(LSTM(100, input_shape=(25,4)))model.add(Dense(50))model.add(Dense(1, activation='sigmoid'))model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

然而，LSTM模型的表现非常差，结果非常低。这让我感到沮丧，我认为LSTM的低结果是因为它无法从时间序列中捕捉到一些重要的特征。

在这种情况下，我想知道是否可以将一些手工制作的特征与时间序列一起输入到模型中？如果可以，请告诉我如何操作。

如果需要，我很乐意提供更多细节。

编辑：我在想是否可以使用Keras的函数式API来实现这一点。这样，我就可以将我的特征作为单独的输入使用。

回答：

LSTM模型接受一个3维张量作为输入，其维度为(batch-size, time-length, num-features)。

回答你的问题，你需要将那些手工制作的特征与你拥有的这四个原始特征连接起来，可能需要对它们进行归一化处理以使所有特征处于同一尺度，然后将一个(batch-size, time-length, features+x)作为输入传递给LSTM模型。