Sequential_Input_LSTM(df, input_sequence

Sequential_Input_LSTM 是一种在深度学习中用于处理序列数据的技术，特别是在时间序列预测任务中非常常见。它通常涉及到将 pandas DataFrame 数据frame (df) 输入到长短期记忆网络 (LSTM) 模型中，LSTM 是一种特殊的循环神经网络 (RNN)，特别适合捕捉长期依赖关系。

`Sequential` 是 Keras 库中的一个函数，用于创建顺序模型结构，而 LSTM 层则负责学习输入序列中的模式。在这个上下文中，`input_sequence` 表示模型需要的输入是一个按时间步排列的数据列表或数组，每一行代表一个样本，每列对应一个时间点的特征值。

流程大致如下：

1. **数据预处理**：首先，你需要对 DataFrame 进行必要的预处理，例如填充缺失值、标准化或归一化数据等，以便让 LSTM 能够有效地学习。

2. **构造模型**：使用 `tf.keras.models.Sequential()` 创建一个序列模型，并添加一个或多个 LSTM 层，可能还会包括 Dense 层（全连接层）作为输出层。

   model = tf.keras.models.Sequential([
       tf.keras.layers.LSTM(units=64, input_shape=(input_seq_length, num_features)),  # 根据实际数据调整单元数和输入形状
       tf.keras.layers.Dense(units=num_classes, activation='softmax')  # 输出层，根据类别数量设置
   ])

3. **编译模型**：配置损失函数、优化器和评估指标。

4. **训练模型**：提供输入序列和对应的标签给模型训练。

5. **预测**：使用训练好的模型对新的输入序列进行预测。