使用（？） LSTM 进行多变量时间序列分类

Posted 2023-02-23

【中文标题】使用（？） LSTM 进行多变量时间序列分类

【英文标题】：Multiple multivariate time series classification with(?) LSTM

【发布时间】：2021-05-03 17:23:11

【问题描述】：

我对时间序列分类比较陌生，正在寻求帮助：

我有一个包含 5000 个多元时间序列的数据集，每个时间序列由 21 个变量组成，时间段为 3 年，类别信息为 1 或 0。我想做的是对包含 21 的新输入进行分类3 年内的变量。

就目前而言，经过几天的研究，我还没有找到（或显然不理解）将多个多元时间序列输入 LSTM 的方法。有没有可能的解决方案？

我目前的想法是将 5000 个时间序列“合并”为一个，并为每个时间序列添加另一个单独的变量，以明确区分每个部分......我完全不确定这是否有效或完全愚蠢......

我很高兴得到任何帮助或提示！！！如果我需要进一步澄清任何事情，请询问，我会立即这样做！

【问题讨论】：

您能否澄清这 5000 个时间序列中的每一个是否涵盖相同的时间段并具有相同的 21 个变量？它们之间有什么区别是它们不同的产品、位置、机器等。了解差异和问题背景将有助于回答。

【参考方案1】：

我正在构建一个类似的模型，但用于图像。 在您的情况下，假设您的数据结构如下：

0000: x1, x2, x3....x21
0001: x1, x2, x3....x21
0002: x1, x2, x3....x21
.
.
.
5000: x1, x2, x3....x21

如果您想仅使用一个观察值（即时间步长为 1）来预测结果，请构建数据集，使时间序列的下一步是当前步长的输出。这里箭头标记后的变量是你的目标变量。

0000: x1, x2, x3 ....x21 ->> 0001: x1, x2, x3 .... x21
0001: x1, x2, x3 ....x21 ->> 0002: x1, x2, x3 .... x21
0002: x1, x2, x3 ....x21 ->> 0003: x1, x2, x3 .... x21
.
.
.
4999: x1, x2, x3 ....x21 ->> 5000: x1, x2, x3 .... x21

如果您想有多个时间步长作为输入，例如 3，那么第 4 个时间步长将是您的第一个时间步长的目标变量，依此类推：

[0000: x1, x2, x3....x21
0001: x1, x2, x3....x21
0002: x1, x2, x3....x21] ->> [0003: x1,x2,x3 .... x21]
[0001: x1, x2, x3....x21
0002: x1, x2, x3....x21
0003: x1, x2, x3....x21] ->> [0004: x1,x2,x3 .... x21]
.
.
.
[4997: x1, x2, x3....x21
4998: x1, x2, x3....x21
4999: x1, x2, x3....x21] ->> [5000: x1,x2,x3 .... x21]

所以重要的部分是正确定义数据集，LSTM 可以很好地处理这些数据。