我正在建立一个keras用于时间序列预测的模型。问题的结构如下：

• 输入是 5 个数字特征的时间序列
• 输出是一个二进制类（0 或 1）
• 该模型需要预测可变长度的输入数据。例如，在某些情况下，我可能只有前 2 天可用于样品，而在其他情况下，我可能有 7 天。

这是我在模型中设置图层的方式：

import tensorflow as tf

model = tf.keras.Sequential()
model.add(tf.keras.layers.LSTM(64, input_shape=(None, 5))
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))

在对恒定大小的序列进行训练并在相同大小上进行预测时，我看到了良好的性能。但是，我不确定如何最好地配置和训练模型以处理可变长度输入。

我想知道当序列的长度不同时，引擎盖下是否会出现零填充。0 的值对于我正在使用的功能是常见且有意义的，因此在这种情况下用 0 填充缺失的数据是没有意义的。

我也想知道在这种情况下人们通常如何构建他们的训练集。我可以执行以下任何操作：

• 每个样本只包含一次随机输入长度
• 每个可能的输入长度包含每个样本一次，每次输入长度不同
• 每个样本只包含一次，最大输入长度

第三个似乎不正确，因为模型可能需要查看长度较短的训练示例才能对其进行预测。