LSTM分析里，输入数据的time_steps和model的lstm_batch_size的概念

### LSTM序列长度（Sequence Length or Time Steps）
在LSTM模型中，**序列长度**或**时间步**（`time steps`）是指输入数据的一个样本中包含多少个时间点的数据。比如，在你的案例中，如果`time_steps`为90，表示模型在做预测时，每次都会参考前90个时间点的数据。

- **LSTM序列长度** 是一个定义在模型输入层的参数，它决定了模型在每次预测时要参考的时间步数。这个值是在你构建模型时通过 `input_shape=(time_steps, n_features)` 来设定的。这个 `time_steps` 代表每个样本有多少时间点的数据。

### LSTM批次大小（Batch Size）
**批次大小**（`batch_size`）是指在训练过程中，模型在每次梯度更新时处理的样本数量。它与 `time_steps` 是不同的概念。

- `batch_size` 是在训练时定义的，用于控制每次模型计算梯度时处理多少个样本。这在 `model.fit()` 中指定。

### 你当前代码中的设定
- 你的 `time_steps` 是单独设置的，用于定义每个样本中包含多少个时间点的数据。
- `batch_size` 用于定义每次训练迭代中处理多少个样本。

### 理解的关键
- **时间步长（time steps/sequence length）**: 这是你输入模型的每个样本的“长度”，即模型每次要参考多少时间点的数据。
- **批次大小（batch size）**: 这是训练过程中每次使用的样本数量，通常与时间步长无关。

### 举例说明
假设你有一个 `X_train`，其形状为 `(1000, 5)`，即1000个时间点的数据，每个时间点有5个特征。

- 如果你设定 `time_steps = 90`，那么你会将数据重新格式化为 `(number_of_samples, 90, 5)` 的形状，其中 `number_of_samples` 是 `(1000 - 90 + 1)`。
- 假设 `batch_size = 32`，那么在每次训练时，模型会处理32个样本，每个样本的形状是 `(90, 5)`。

### 预测时的时间步长
预测时，你可能也会有一个类似 `time_steps` 的参数，用来决定模型在预测时使用多少过去的时间点数据。这个参数与训练时使用的时间步长应该保持一致，但你也可以为预测单独设置一个时间步长参数。

### 关键点
1. **LSTM序列长度** 和 **训练/预测数据的时间步** 是用来定义每个样本中的时间点数量的。
2. **批次大小** 是训练时每次处理的样本数量。
3. 建议单独设置训练和预测的时间步参数，以便在不同的场景下灵活调整。