当我有 2-dimension 的输入特征时，将它们展平为 1-dimension 输入以便为 LSTM in制作 3- di-dimensional 输入(variable*feature)是否仍然很好？({variable*feature})(sample,timestep,feature)keras

variables特别是，如果将它们视为某些组，会不会引起问题？

假设我有 100 个城市(population, GDP, employment, living cost, ...)，每个城市有 10 个特征，然后想尝试预测一个城市的人口。如果我展平输入特征，它看起来像：

Time   POP1   GDP1   EMP1   LVC1  ...  POP2   GDP2   EMP2   LVC2  ... 
   1  10000   1000   2000   1500      15000   2000   3500   2000  ...
   2  12000   1200   1800   1600      16000   2100   3600   2100  ...
   3  13000   1300   1900   1700      18000   2200   3700   2250  ...
   ...

但是，本质上，同一类别(POP1, POP2, ...)和同一城市中的特征(POP1, GDP1, EMP1, ...)将具有比彼此强的关系。鉴于此，在我看来，奉承输入特征会导致模型中忽略这种暗示。

然后，

1. 在这种预测中，像一个图网络中的一个节点这样的一组特征，在这种预测中对输入特征进行扁平化是否完全可以？
2. 如果没问题，为什么？
3. 如果不是，有什么更好的方式来代表城市之间的这种关系？（我知道卷积 LSTM 将是一种解决方案，但它似乎主要用于更大的二维输入，例如图像。）