Добавление информации, специфичной для контекста, в RNN/LSTM в данный момент?

У меня есть временной ряд значений, как показано ниже, где я рассматриваю историю продаж:

[
    # Шаг 1
    [ Магазин, День недели, Температура, Продажи],
    # Шаг 2
    [ Магазин, День недели, Температура, Продажи],
    # Шаг 3
    [ Магазин, День недели, Температура, Продажи],
    ...
] -> [Продажи с учетом Магазин, День недели, Температура]

Я хочу использовать историю этих значений, чтобы предсказать Продажи на текущую дату. Я хочу, чтобы модель улавливала такие закономерности, как более высокие продажи в выходные дни по сравнению с серединой недели, рост продаж при высокой температуре и характерные для каждого Магазина паттерны.
Каждая конкретная серия данных относится к конкретному Магазину, между последовательностями нет смешения Магазинов.

Теперь, разумеется, я заранее знаю Магазин, День недели и Температуру, так как же мне это закодировать? Должен ли я пропустить историю через LSTM, а затем добавить текущие признаки (Магазин, День недели, Температура) в конец этой последовательности? Я не совсем понимаю, что делать в данном случае.

На данный момент у меня есть нечто вроде этого:

class LSTM(nn.Module):
    def __init__(
        self,
        input_size,
        day_embedding_size: int = 4,
        days: int = 7
        hidden_size=64,
        num_layers=2,
        dropout=0.2,
    ):
        super(LSTM, self).__init__()

        self.day_embeddings= nn.Embedding(
            num_embeddings=days, embedding_dim=day_embedding_size
        )

        self.hidden_size = hidden_size
        self.num_layers = num_layers

        # LSTM 
        self.lstm = nn.LSTM(
            input_size=input_size + (day_embedding_size- 1),
            hidden_size=hidden_size,
            num_layers=num_layers,
            batch_first=True,
            dropout=dropout,
        )

        # Выход LSTM
        combined_size = hidden_size + 1 + day_embedding_size
        self.combine_layer = nn.Linear(combined_size, hidden_size)

        # Выходные слои
        self.fc1 = nn.Linear(hidden_size, hidden_size // 2)
        self.fc2 = nn.Linear(hidden_size // 2, 1)
        self.relu = nn.ReLU()
        self.dropout = nn.Dropout(dropout)

    def forward(self, past_sales, next_features):
        batch_size = past_sales.size(0)

        # Извлечение признаков временных рядов из LSTM
        prev_days = past_sales[:, :, 0].long()
        prev_temperatures = past_sales[:, :, 1].unsqueeze(-1)
        prev_sales = past_sales[:, :, 2].unsqueeze(-1)

        # Извлечение текущих признаков
        next_day = next_features[:, 0].long()
        next_temperature = next_features[:, 1].unsqueeze(-1)

        # Получение эмбеддингов дней
        past_day_emb = self.day_embeddings(prev_days )
        next_day_emb = self.day_embeddings(next_day )

        lstm_input = torch.cat([prev_temperatures, past_day_emb , prev_sales ], dim=2)

        # Обработка прошлых данных через LSTM
        h0 = torch.zeros(self.num_layers, batch_size, self.hidden_size).to(
            past_races.device
        )
        c0 = torch.zeros(self.num_layers, batch_size, self.hidden_size).to(
            past_races.device
        )

        lstm_out, _ = self.lstm(lstm_input, (h0, c0))
        lstm_last = lstm_out[:, -1, :]

        # Объединение всех признаков
        combined = torch.cat(
            [lstm_last, next_day_emb , next_temperature ],
            dim=1,
        )
        combined = self.relu(self.combine_layer(combined))
        combined = self.dropout(combined)

        # Финальные предсказания
        out = self.relu(self.fc1(combined))
        out = self.fc2(out)
        return out

Как вы можете видеть ниже, я фактически просто использую предыдущую серию через LSTM, а затем соединяю признаки, известные мне на текущем временном шаге (День недели, Температура), чтобы предсказать Продажи на их основе.

Это работает не очень хорошо, и я просто не уверен, что у меня правильная структура.
Что является “стандартным” решением в этом случае?