如何在多变量时间序列预测模型中识别每个功能的时间延迟

时间:2018-07-16 05:09:07

标签: python machine-learning time-series feature-selection

我正在尝试建立一个如下所示的时间序列预测模型:

模型输入:

x1(t),x1(t-1),x1(t-2),...,x1(t-12)

x2(t),x2(t-1),x2(t-2),...,x2(t-12)

y(t),y(t-1),y(t-2),...,y(t-12)

模型输出:

y(t + 1)

位置:

  • x1,x2:功能
  • y:标签
  • t-1,t-2,...,t-12:时间步长

x1,x2和y是连续的时间序列数据。

这是我的问题:

这是一个“功能选择”问题。我不想将所有时间步骤都放入模型中。相反,我想在x1,x2和y中选择最重要的时间步长。

例如,给定特征x1,假设(t-2)是预测y(t + 1)的最重要时间步,则选择x1(t-2)并删除其他时间步。所以x2和y。

最终模型如下:

y(t + 1)= f(y(t),x1(t-2),x2(t-6))

我知道减少功能部件数量会降低模型性能。但是,就我而言,这是可以的,因为在这些功能中找出时间延迟对我来说更有价值。

是否有任何方法可以识别(t-2)是预测y(t + 1)的重要时间步?例如机器学习,统计数据等等。

0 个答案:

没有答案