我正在尝试使用 LSTM 来预测用户的日常使用情况。我有大量用户使用（比如说）90 天的数据。根据业务知识（和初步分析），我们知道用户大致分为不同的类别。例如，每日用户几乎每天都会有非零使用量，每周用户每 7 天会有一到两天的非零使用量，而每月用户每 30 天会有几天的非零使用量。

示例数据，其中每一列是从 10 月 1 日开始的一天，每一行是一个用户的数据。（每个用户的使用“周期”可能从任何一天开始）。

User 1: 10,  8, 10,  9, 0, 0, 11, ...
User 2:  0,  0,  0, 20, 0, 0,  0,  0,  0, 18,  0,  0,  0, ...
User 3: 40,  0,  0,  0, .....

其中用户 1 可能是“每日”用户，用户 2 是“每周”用户，用户 3 是每月用户。

我的第一个问题是，单个 LSTM/深度学习模型能否捕获这些不同类型的模式？目标是预测个人用户的每日使用情况（基于过去 90 天的未来几天）。

目前我正在使用一个非常简单的 LSTM（在 Keras 中）：

model = Sequential()
model.add(LSTM(1, input_shape=(90, 1), unroll=True))
model.compile(optimizer='rmsprop', loss='mse')

为了帮助模型“捕捉”不同用户可能具有不同使用水平的事实，我添加了每个用户的平均使用量（非零值）作为每行的第一个数据点。每个用户的其余 90 个数据点仍如上表所示。

我的第二个问题是我是否真的需要添加这些值的平均值来“帮助”模型？

问题是即使在 100 个 epoch 之后，错误仍然保持不变。最后我可以改变什么来使它工作？

提前致谢。