我遇到了一个问题，我不知道如何进行参数化，所以我认为某种神经网络解决方案可能是最好的 - 但我对这个领域内的回归技术并不太熟悉，所以任何指导或指示都将非常感激。
问题
大量工人（w1，w2，w3 ...... wN）解决了大量任务（t1，t2，t3，... tN）。每个任务包括按顺序执行多个单独的过程（p1，p2，p3 ... pN）。任何程序都可以是多个任务的一部分。假设t1 =（p1，p3，p5）和t2 =（p1，p2）。
我有一个很大的非常稀疏的数据集，其中一个记录是：w1做了t1，在32分钟内被定义为（p1，p3，p5）。没有工人完成所有任务，甚至所有工作，但所有工作都有观察。
我想预测一个工人完成（可能以前未完成）任务的时间。
编辑：
我不确定这在问题陈述中是否已经明确，但是每个工人都有不同的技能水平，这样w1比w2快t1，但w2比w1快t2。整个问题集中在试图预测w3做t2所花费的时间，只知道他做t1所需的时间，利用我们对w1和w2的t1次的知识。
此外...
任务在时间上是非线性的，这样做（p1，p1）需要比2 *（p1）更长的时间。
可以加载任务，使得p1（10）与p1（20）基本上是相同的任务，但更难。如果一个工人擅长p1（10），他可能擅长p1（20），但它仍然是一个非线性关系。 p（10）* 2！= p（20）
我意识到这是一个复杂的问题，需要一些时间来找到一个好的解决方案，但任何提示，指针，文章或其他项目都会非常感激。谢谢。