Python 如何将许多特征合并到张量流概率结构时间序列中

我对Tensorflow和Bayesian结构时间序列不太熟悉，我真的需要一些帮助来弄清楚如何训练一个多元BSTS模型，该模型可以自动对数百个输入时间序列执行特征选择

显示了如何在单个输入功能旁边包含季节性影响：

  ...
  temp_effect = sts.LinearRegression(
      design_matrix=tf.reshape(temp - np.mean(temp),
                               (-1, 1)), name='temp_effect')
  ...
  model = sts.Sum([..., temp_effect,...],
                   observed_time_series=observed_time_series)

但是，当存在多个输入时间序列时，情况又如何呢

通读会发现，对于许多输入，稀疏线性回归似乎更可取，这是有道理的，但是我应该如何调整我的代码呢

线性回归法和稀疏线性回归法的文档都建议使用

design\u matrix=tf.stack（[series1，series2]，axis=-1），weights\u prior\u scale=0.1）

，但由于这与tf Probability自己的博客文章使用它的方式不同，我不确定这是否是最好的方法

我应该在单个稀疏线性回归的

design\u矩阵

中添加所有（数百）输入特征，还是应该为每个特征添加单独的线性回归，然后使用

sts.Sum（）

将它们全部组合到模型中？虽然我希望能够可视化每个功能的影响，但我最感兴趣的是让模型自动执行功能选择，并为我可以访问的其余功能生成权重

如有任何帮助或建议，将不胜感激