将代理的身份作为特征之一，并在所有数据上进行训练。可能一次训练一个小批量（例如 128 个代理）：从头到尾运行这 128 个代理的时间序列，然后选择一个新的小批量代理。对于每个小批量，运行 50 个时间步的切片，然后进行反向传播。保留该切片的结束状态，并从这些结束状态开始运行接下来的 50 个时间步。对于大约 128 个代理的小批量，冲洗并重复直到时间步长结束。

通过将每个代理的身份作为特征之一，您可以使网络：

• 从您的所有数据中学习，从而最大限度地利用您的数据，以及
• 学习每个智能体的独特特征，这样它就不会只是将所有智能体平均在一起
• 当您预测特定代理的未来时，请确保使用其相应的代理 id 特征，网络将相应地调整预测。

编辑：阿尔波·何塞写道：

好的，我需要使用 one-hot 编码来制作代理的身份吗？

哦，那是真的。其中有 20,000 个。这有点多。我认为您可能想要做的是“嵌入”它们。有一个查找层，它接受一个代理 id（表示为一个整数，一个索引），并输出一个高维向量，比如一个 50-300 长度的向量，可能是一个长度与隐藏大小近似匹配的向量你的 LSTM。

从数学上讲，查找表，也称为“嵌入层”，相当于将代理 id 制成单热向量，然后通过线性（全连接）层。然而，嵌入层的内存需求大大降低。

就嵌入层将学习什么而言，当你训练它时，嵌入层将形成每个代理的某种潜在表示。潜在表示不太可能以任何方式可读/可解释，但将允许模型学习诸如“好吧，这个代理，1524，相对有效，但不是在周末；而1526每天都很棒；ETC ....'。嵌入向量的潜在维度实际上可能意味着一些东西，但没有人试图弄清楚它们的含义（我认为这很难/不可能）。然而，每个代理的高维嵌入允许模型了解每个代理的行为，并在时间序列预测中对此进行建模。