КАК обучить LSTM для данных нескольких временных рядов - как для одномерного, так и для многомерного сценария?

Question

У меня есть данные для сотен устройств (извините, я не уточняю подробности об устройстве и данных, записанных для устройств).Для каждого устройства данные записываются за час.

Записанные данные имеют 25 измерений.

У меня мало задач прогнозирования

Прогнозирование временных рядов

, где я использую LSTM.Поскольку у меня сотни устройств, и каждое устройство представляет собой временной ряд (многомерные данные), поэтому все мои данные - это несколько временных рядов с многомерными данными.

Для работы с несколькими временными рядами - мой первый подход - объединять данные один за другим и обрабатывать их как один временной ряд (он может быть как одномерным, так и многовариантным), применять LSTM и обучать мою модель LSTM.

Но из-за этого вышеописанного подхода (путем объединения данных временных рядов) я фактически теряю свойство времени моих данных, поэтому мне нужен лучший подход.

Пожалуйста, предложите некоторые идеи или сообщения в блоге.

Просьба не путать с несколькими временными рядами с данными нескольких переменных временных рядов.

Answer 1

Вы можете рассмотреть модель One-Fits-all-all-all-all или Seq2Seq, как, например, в этой статье Google .Подход работает следующим образом:

• Предположим, что вы хотите сделать прогноз на 1 день вперед (24 значения) и используете в качестве входных данных последние 7 дней (7 * 24 = 168 значений).

• Данные анализа временных рядов зависят от времени, так что вам нужна стратегия проверки, учитывающая эту зависимость от времени, например, с помощью скользящего прогноза .Отдельные данные для тестирования вашей окончательной обученной модели.

• На первом шаге вы сгенерируете из своих многочисленных временных рядов 168 + 24 срезов (изображение см. В статье Google).Вход x будет иметь длину 168, а вход y - 24. Используйте все ваши сгенерированные срезы для обучения сети LSTM / GRU и, наконец, сделайте прогноз для вашего набора удержания.

Хорошостатьи по этому вопросу:

• Основы последовательного моделирования для временных рядов
• Глубокое и уверенное прогнозирование временных рядов в Uber
• подробнее

Kaggle Winning Solution

• Прогноз временных рядов веб-трафика Kaggle

Список не является исчерпывающим, но вы можете использовать его в качестве отправной точки.