我了解如何为多变量时间序列创建模型，也知道如何为该序列生成多步输出。但是我如何扩展这个模型来处理多个时间序列呢？
我的数据包含许多国家的时间序列，每个国家有5个特征。我的目标是为每个国家提供未来28天的预测。
这是一个多变量时间序列的图（图中未显示其中一个特征）：

下面的模型是一个编码器解码器LSTM，能够产生28天的预测（尽管它们不是很准确）：

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
lstm_1 (LSTM)                (None, 10)                640
_________________________________________________________________
repeat_vector_1 (RepeatVecto (None, 7, 10)             0
_________________________________________________________________
lstm_2 (LSTM)                (None, 7, 10)             840
_________________________________________________________________
time_distributed_1 (TimeDist (None, 7, 5)              55
=================================================================
Total params: 1,535
Trainable params: 1,535
Non-trainable params: 0
_________________________________________________________________

训练数据被分成7天的周期，每个周期比前一个周期提前一天。示例（但只有一个功能而不是5个）：

[1, 2, 3, 4, 5, 6, 7], [2, 3, 4, 5, 6, 7, 8] ...

提供给LSTM的数据具有以下形状：

Train_x shape: (113, 7, 5)
Train_y shape: (113, 7, 5)
Test shape: (4, 7, 5)

如何为187个国家做到这一点？

我发现一个answer说，在训练过程中可以使用国家的名称作为变量。另一个one显示了如何将时间序列数据与分类值合并。
在第二个线程中，最好的方法包括使用分类数据的学习表示添加（或设置）递归层的权重。基本上通过Dense层传递国家名称，并将输出添加到LSTM权重。
我发现了一个关于在Keras中设置层权重的discussion，但它没有显示如何添加权重。
我的主要问题是：

• 如果Keras模型中的所有节点都必须连接，那么名称的Dense层在哪里？
• 如何增加权重而不是增加权重（这有什么区别吗）？
• 有没有更好的方法来预测多个时间序列？
• 简单地根据每个国家的数据重新训练模型会有多糟糕？