我正在嘗試構建一個 LSTM 模型，以使用 Zipcode 或 PinCode 過去 7 天的溫度、降雨量等來預測給定日期的溫度。我知道訓練數據集需要被塑造成（觀察、時間步長、特征）。我想我的情況下的特征是溫度、降雨量和時間步長為 7。因此，如果我有 2 個特征和 7 個時間步長，則一次觀察總共會有 14 個變量。我還具有狀態、區域（比如北、西、東、中等）等所有 7 個時間步共有的特征。由于每個觀測值都是一個郵政編碼，對于一個郵政編碼的所有 7 天（7 個時間步長），郵政編碼所屬的地理州和區域將是相同的。由于我們不能向 LSTM 輸入特征（對所有時間步都是通用的），我已經使用 Keras 函數式 API 將這些時間特征提供給 LSTM，并獲取 LSTM 的輸出并將其與非時間特征（狀態、區域等）連接起來，然后在最后有一個密集層。下面是我的代碼Input_LSTM = Input(shape=(7, 2), batch_size=32)  # 7 timesteps and 2 featuresx = LSTM(5,  stateful=True)(Input_LSTM)x = Dropout(0.2)(x)Input_MLP = Input(shape=(261,),batch_size=32)  x = concatenate([x,Input_MLP], axis=1)  # Join non-temporal input with LSTM o/p to be fed to a Dense    # layerOutput = Dense(1)(x)model = Model([Input_LSTM,Input_MLP],Output)因為我已經聲明 LSTM 是有狀態的，所以我已經為時態和非時態輸入提供了 batch_size。當我嘗試使用行“x = concatenate([x,Input_MLP], axis=1)” 進行連接時，出現錯誤  File "<__array_function__ internals>", line 6, in concatenateValueError: zero-dimensional arrays cannot be concatenated”連接的兩個元素的形狀如下x.shapeOut[186]: TensorShape([Dimension(32), Dimension(5)])      #  Here 5 is the number of neurons in LSTM, 32 is the batch sizeInput_MLP.shapeOut[187]: TensorShape([Dimension(32), Dimension(261)])   # Here 261 is the no. of non-temporal features and 32 is the batch size從網上查到零維數組是標量。但是從上面它們的形狀來看，它們似乎并不是標量。我還嘗試了一個以 Input_MLP 作為輸入的 Dense 層，并嘗試將這個 Dense 層的輸出與 x 連接起來，但沒有成功。我在網上找不到答案。我究竟做錯了什么？任何幫助將不勝感激。