Я очень новичок в Tensorflow (v2), поэтому моя терминология здесь может быть далеко не обязательна - заранее извиняюсь, и исправления приветствуются.
Я пытаюсь решить проблему регрессии, используя измерения уровень рек, чтобы предсказать будущее значение. Хотя это и не кажется особенно сложным sh в масштабе 1: 1, я пытаюсь одновременно прогнозировать несколько рек, используя одну модель (максимум 101 разная речная станция). Проще говоря, я пытаюсь сделать так, чтобы X разных входов становились X разными выходами. Когда данные Station1 становятся Prediction1, данные Station2 становятся Prediction 2 и т. Д. c.
Первоначально я пытался взять собственный прогноз временных рядов Tensorflow и адаптировать его к чему-то более близкому к тому, что был виден В многоэтапном прогнозировании используются 3 функции; p (мбар), t (град C) и rho (г / м ** 3) для прогнозирования температуры - моя цель состояла в том, чтобы взять эту модель и изменить ее так, чтобы у давления, температуры и rho были свои прогнозы - Соотношение 1: 1, а не соотношение 3: 1 - это оказалось намного сложнее для реализации, чем ожидалось.
Я приложил простую диаграмму, которая показывает общую идею c для этого. Каждый набор данных должен использоваться для создания прогноза, связанного только с этим набором данных через модель. В примере учебника по прогнозированию временных рядов набор данных 1 и out1 будет p (мбар), набор данных 2 и out2 будет температурой, набор данных 3 и out3 будет rho. Это идея, к которой я стремлюсь в очень простой c визуализации
Буду признателен за любую информацию или рекомендации, которые могут быть предложены, чтобы помочь мне с этой идеей, пока я я знаю, что такие вещи, как речные дельты, также могут быть использованы для обеспечения точности прогнозирования, моя текущая цель - создать базовую функциональность, лучше понять / изучить тензорный поток и масштабировать оттуда вверх. Если есть что-то, в чем я могу дать дополнительную ясность, я сделаю все возможное, чтобы предоставить эту информацию. Спасибо!