並非每次我們接觸到的資料，針對每一個預測標的，都有獨立、整理好的特徵值；尤其是在面對時間序列資料時，我們也希望捕捉預測標的，隨時間變化的特徵變化規律。本篇整理時間序列建模時，注意的重點：
(I) Scale-transformation
發生情境：
屬性之間的值域差異大，例如：有的欄位是 boolean (0, 1)、有的欄位是金額量 (ex: 0 ~ 10^8)。
如果不將多個屬性的數值 scale 到差不多的範圍，Loss 在收斂時會受到那些量級較大的屬性影響，可能無法輕鬆地往下尋找 global minimal；因為量級大的屬性，權重每更新一次所改變的量更大、量級小的屬性對權重的影響被縮小，本來 loss 可以順利下降的地方，因為快速變動的權重導致 overfit 情形。
解法：進行 Scaling
常見 Scaling Methods：
1. Standardization
2. MinMax Scaling
3. Robust Normalization
import numpy as np
from sklearn.preprocessing import StandardScaler, MinMaxScaler, RobustScaler
X = np.random.randint(5, size=(100, 5))
ss = StandardScaler()
ss.fit(X)
standard_X = ss.transform(X)
ms = MinMaxScaler()
ms.fit(X)
minmax_X = ms.transform(X)
rs = RobustScaler()
rs.fit(X)
robust_X = rs.transform(X)
(II) Padding
發生情境：
每一個預測標的在資料集中的時間序列長度不同。
解法：
1. 補齊到一樣長度
2. 把長度相近的一起 train：batch_size設定為那一群長度相近的個數
缺點：速度慢、 等於 train 多個 LSTM
(III) Input Format
發生情境：
資料的維度和長度，要搭配對的模型參數
One-to-many
Many-to-one
Many-to-many
Many-to-many (同步)