我的场景大致如下：

想象一下 500 辆汽车，全是丰田卡罗拉（或其他）。虽然这些汽车有许多相似之处，但它们并不完全相同：其中一些配备 1.5 升发动机，而另一些配备 1.8 升发动机，有些具有很高的行驶里程，而有些则几乎没有离开他们的车库。尽管如此，我们仍然可以想象，所有汽车都是具有一堆参数的一个过程的产物。其中一些参数被观察到，而另一些则未被观察到。

我有一组时间每辆车状况的数据t_i。出于我们的目的，“条件”由 0.0 到 1.0 之间的数字表示，其中 0.0 表示“和新的一样好”，1.0 表示“基本上是残骸”。我的目标是建立一个模型，让我可以根据之前时间步长的状况以及里程和发动机尺寸等“参数”来预测每辆车在未来某个时间的状况。我可以为每辆车训练一个单独的模型，但我可能没有足够的数据为每辆车提供准确的预测。

我已经尝试使用普通的机器学习方法，通过将之前每个时间步的条件编码为一个特征，将每辆车的完整历史记录转换为一个数据点。我的结果有点马马虎虎，我想为此尝试 LSTM。

但是，我很难弄清楚如何使用 LSTM 做到这一点。一些谷歌搜索让我找到了很多关于如何使用 LSTM 来预测同一个“对象”的两个属性的教程，比如一辆汽车的状况和里程，但没有一个关于如何预测一堆相同属性的教程带有附加参数的“不同对象”。我假设只是插入

[conditionCar1, mileageCar1, colorCar1, conditionCar2, mileageCar2, colorCar2, (...)]

在很多时间步骤中观察到 LSTM 模型不会很好地工作。我正在尝试做的事情是否可行，如果是的话，是否有人对相关信息有任何指示？