我有 400 名用户在 1 个月（30 天）期间的行为信息。在这 30 天中，我测量了 4 个不同的信息（我们称之为 A、B、C 和 D），因此我总共有 4 个时间序列。我的目标是从第 5 天开始，通过了解 A、B、C 和 D 的过去值来预测 A 的未来值。所以：

A(5) = f(A(1,2,3,4), B(1,2,3,4), C(1,2,3,4), D(1,2,3,4))

理想情况下，我想估计从第 5 天到第 30 天的整个未来值。

我尝试使用 LSTM 通过将过去的系列作为输入来预测未来的趋势。但是，我没有得到很好的结果，我希望我可以使用更简单的方法。我遇到了卡尔曼滤波器的概念，其中时间步 k 的值可以通过使用过去的值来估计。 这里有一些很好的例子，但是我不知道从哪里开始。它是否适合我的问题，如果是的话，我如何将我过去的值拟合到估计 A(k) 的方程中？任何建议表示赞赏。