LSTM 时间序列模型的良好序列长度是多少？

Question

给定一个日期范围 (m,n)，其中每个 m 是一个时间步长，n 是特征数。非语言时间序列 LSTM 的序列长度的合适数字是多少。当 2D 矩阵转换为 [Batch Size, Sequence Length, Features] 的 3D 矩阵时，是否有某种选择序列长度的经验法则，因为特征是常数，而 batch size 取决于序列长度。

2D转3D功能

def splitter(seql,traindf,ytrue):
  m,n = traindf.shape
  timestep = m
  X_Train = []
  Y_Train = []
  for i in range(seql,timestep):
    X_Train.append(traindf[i-seql:i])
    Y_Train.append(ytrue[i][0])
  X_Train,Y_Train = np.array(X_Train),np.array(Y_Train)
  return X_Train,Y_Train

我能想到的最佳选择是对序列长度运行超参数调整。似乎序列长度越小，我的测试结果就越好，但问题在于序列长度的不同值，我得到一个不同大小的测试矩阵，这使得比较序列长度 hypers 之间结果的重要性变得困难。