Как я могу использовать машинное обучение для задачи временных рядов

Question

Здравствуйте, у меня есть данные временного ряда, которые в основном ведут себя как пилообразные. После каждого периода технического обслуживания сигнал всегда повышается, а затем снижается до тех пор, пока не произойдет техническое обслуживание, что приведет к повторному увеличению сигнала. Я пытаюсь предсказать сигнал и посмотреть, что произойдет с сигналом, если я планирую дальнейшее обслуживание.

Я новичок во временных рядах, и я не уверен, какую модель мне следует использовать для прогнозирования данных. Я рассмотрел кросс-корреляцию, но, похоже, она не учитывает какие-либо события, которые будут влиять на сигнал, как моя проблема.

Я просто знаю, что происходит после каждого события технического обслуживания, и сигнал постоянно сопровождается сходной тенденцией после каждого периода обслуживания, когда он идет вверх и вниз. Есть предложения?

Answer 1

Вы ищете модель ML для данных временных рядов. Это огромное поле, но я постараюсь написать несколько важных замечаний:

1. Попробуйте сгенерировать кадр данных, в котором каждая строка является временной меткой, а каждый столбец - функцией.
2. Теперь вы можете создавать скользящие характеристики - например, скользящее среднее / стандартное для ваших функций, используя несколько разное время windows.
3. разделить ваши данные для обучения и тестирования - это очень сложная часть в данных временных рядов. Вы должны быть очень осторожны с этим. Вы должны разделить данные по времени (не случайно), чтобы смоделировать реальный мир, в котором вы учитесь на прошлом и предсказывает будущее. Вы должны убедиться, что у вас нет утечки - например, если вы используете в качестве функции «скользящее среднее за последнюю неделю», вы должны убедиться, что вы не рассчитали свой сигнал для проверки, используя данные из набора поездов.
4. Обучите базовую модель, используя классовые c методы ML - например, повышение деревьев и т. Д. c.
5. На следующих шагах вы можете улучшить базовый уровень и затем перейти к более продвинутым моделям ( LSTM et c)