一种选择是模型比较方法。从更简单的模型开始，然后逐步尝试更复杂的模型。在此过程中，检查额外的复杂性是否会导致预测能力的提高。

1. 如果您使用词袋模型进行简化表示，则可以拟合朴素贝叶斯分类器。

2. 如果您做出马尔可夫假设，您只需要查看序列中的最后一个元素。然后可以将其建模为简单的概率图形模型（PGM）。

3. 然后通过逐步回顾更多的时间步来开始放松马尔可夫假设。

4. 如果您有数千个标记数据点并且关系非常复杂，则循环神经网络 (RNN) 可能会起作用。

5. 长短期记忆（LSTM）没有多大意义，因为序列很短。当相关信息可能向后退很多时间时，LSTM 可以更好地工作 RNN。

我的假设是，朴素贝叶斯分类器将是一个足够好的模型，因为只有 4 个特征并且序列非常短，可以忽略不计。

我认为它们是很多有效的方法。

我将首先测试一个简单的密集神经网络架构。
你可以有2 * number_of_sequences输入神经元，每一对是一个用于权重的神经元和另一个用于序列存在的神经元（0：不存在和1：存在）。
隐藏层取决于复杂性。
输出0或1使用 sigmoid。