Python 预测中如何将静态特征与时间序列相结合

我试图找到一个类似的问题及其答案，但没有成功。这就是为什么我要问一个以前可能会被问到的问题：

我正在研究一个问题，即输出几个水井的累积产水量。我拥有的特征包括时间序列（随时间变化的水量和泵速）和静态（井深、井纬度和经度、含水带厚度等）

对于井#1，我的输入数据如下所示

动态数据：

                water rate   pump speed   total produced water
2000-01-01         10            4                 1120
2000-01-02         20            8                 1140
2000-01-03         10            4                 1150
2000-01-04         10            3                 1160
2000-01-05         10            4                 1170

静态数据：

depth of the well_1 = 100
latitude and longitude of the well_1 = x1, y1
thickness of the water bearing zone of well_1 = 3

---

我的问题是，如何构建一个既具有动态特性又具有静态特性的RNN模型（LSTM、GRU等）？

有多种选择，您需要试验哪一种最适合您的情况

选项1：您可以将静态特征视为固定的时间数据。因此，为每个静态特性创建一个时间维度，并让LSTM处理其余的特性

例如，转换后的数据如下所示：

                water rate   pump speed   total produced water   depth_wall
2000-01-01         10            4                 1120             100
2000-01-02         20            8                 1140             100
2000-01-03         10            4                 1150             100
2000-01-04         10            3                 1160             100
2000-01-05         10            4                 1170             100

选项2：设计多头网络

TIME_SERIES_INPUT ------> LSTM -------\
                                       *---> MERGE / Concatenate ---> [more layers]
STATIC_INPUTS --> [FC layer/ conv] ---/

下面是一篇解释合并策略的文章：

下面是另一篇利用选项2的论文：

论文2的源代码：