Python 具有一个特征的多时间步keras嵌入层修改

我有一个序列预测问题，给定序列中最后的

n

项，我需要预测下一项。现在有

N=60k

序列，对于每个序列

N

，我有

6个事件

，我想

预测下一个（本例中为第7个）事件

。数据集如下所示

seq_inputs = [
["AA1", "BB3", "CC4","DD5","AA2", "CC8", "CC11"], #CC11 is target
["FF1", "DD3", "FF6","KK8","AA5", "CC8", "AA2"]   #AA2 will be target
..
..
] # there are 60k of them i.e len(seq) = 60000

我到目前为止所做的：

seq = [[[ 1],
        [10],
         [200],
        [5],
         [3],
        [90],
         ],

       [[ 95],
        [15],
         [4],
        [11],
         [78],
        [43],
        ],
       ...
       ...
      ... #60,000 of them
      ]

现在，我将其作为下一个单词预测问题，并使用嵌入+LSTm

首先，我使用

keras tokenizer.text\u to_sequence（）

从这个数字转换序列中，我将最后一个作为目标，前六个作为输入（下面只是一个虚拟示例）

我将目标转换为类别，如下所示：

targets = to_categorical(targets, num_classes=vocabulary_size)

因此，我将其作为

model = Sequential()
model.add(Embedding(vocabulary_size, 32, input_length=seq_len)) #seq_length
model.add(LSTM(80,return_sequences=True))
..
..
..
model.fit(train_inputs,train_targets,epochs=50,verbose=1,batch_size=32)

目前，我的测试性能非常差，我觉得我没有很好地将LSTM用于顺序任务，因此我想将此问题转化为具有单个功能的多对一序列问题，其中每个序列有6个具有单个功能的时间步。比如说

输入（6个时间步，n（60k）中的每个序列n有一个特征）：

seq = [[[ 1],
        [10],
         [200],
        [5],
         [3],
        [90],
         ],

       [[ 95],
        [15],
         [4],
        [11],
         [78],
        [43],
        ],
       ...
       ...
      ... #60,000 of them
      ]

目标：

targets = [40,3, ... , ... ]

问题：我如何修改这个网络，特别是嵌入层，以采用这种输入形式，其中每个序列/行只有6个时间步和一个特征。此外，我对6个时间步和一个未来的理解是否正确，如果是，我还需要在网络中修改什么