Tensorflow 按位置分离的时间序列预测Keras模型

我有一个包含以下列的数据集：“位置”、“我是否有新冠病毒”、“新冠病毒症状”、“日期”、“确诊病例”

本质上，我在谷歌上使用与新冠病毒相关的查询（将查询作为一个整数）来预测不同时间的病例数量。因此，这是一个时间序列问题

为此，我使用了Keras RNN模型（LSTM）。到目前为止，我只将数据过滤到一个位置，基本上删除了第一个“位置”列。然而，我现在想在地图上可视化我的预测，因此需要一个位置一个位置的预测。为此，我考虑使用多输入模型，如下所示：

我正在努力理解这个多输入模型如何适用于我的案例。 这就是我目前的想法：

   - date, google search terms ----------------------|
   - date, location            ----------------------|
                                                     |
     |-----------------------------------------------|
     |---> combined            -> confirmed_cases

我主要关心的是：它会按照我的预期工作吗？在某种程度上，我希望它将位置用作“分组”功能。例如，根据所有数据对模型进行训练，然后根据位置对其进行微调。除此之外，我使用什么体系结构？下面是一些伪代码，其中包括我所设想的情况以及我所缺少的内容：

input_search = Input( shape = (3,))
input_location = Input( shape = (2,))

search_1 = LSTM(32) (input_search)
search_2 = Dense(1) (search_1)
search_model = Model(inputs=input_search , outputs=search_2)

loc_1 = ??() (input_location)
loc_2 = ??() (loc_1)
loc_model = Model(inputs=loc_search , outputs=loc_2)

combined = concatenate([search_model.output, loc_model.output])

# COMBINE THEM TO ACHIEVE THE GROUPING EFFECT I MENTIONED

如果有人能用一些伪代码给我指出正确的方向，我将非常感激。谢谢