Deep learning 变长度输入的时间序列预测

我的论文是关于老鼠的癌症预测。我收集了35只老鼠的数据。我每天测量肿瘤的体积，直到老鼠死亡。死亡时间在50~72天之间变化，所以我有35个不同长度的时间序列

我必须预测肿瘤体积随时间的变化。我想使用回归，但我不知道如何拟合不同长度的35个时间序列的模型。我想用所有的35个时间序列来建立一个更精确的模型

请注意，我无法更改数据集的长度，因为我丢失了有关癌症行为的重要信息

---

如何训练具有不同长度的35个时间序列的模型？对我的问题有什么建议吗？

不要使用肿瘤体积与天数的对比，你能使用肿瘤体积与总寿命的比例吗？嗯，每天大小的变化对我的分析很重要，我需要预测特定天数的体积值。你能通过截断天数来建立一个有用的模型吗？也就是说，您是否可以使用一个所有数据都被截断为50天的模型？你也可以选择所有长度至少为60天并截断为60天的数据集作为比较模型。不，从癌症开始到死亡时间的体积变化对我来说很重要。我想知道癌症开始后的什么时候，肿瘤达到最大值。不仅仅是回归，我想使用一个模型来正确拟合这个数据集。可能是神经网络、ANFIS或深度学习方法。