我会提前说明，我不是数据科学家，但有足够的资金去学习我需要知道的东西。但是，我需要建议在哪里寻找以及适当的算法来研究。
问题如下。我对传感器的输出进行了10年的1小时观察。为了论证，让我们使用气象站的输出，更具体地说，使用以毫伏为单位的浮子形式的太阳能电池板。
您可能会争辩说，如果将来自此时间序列（24点）的24小时数据子集作为与历史时间序列进行比较的矩阵，则可以确定＆＃34;晴天＆＃34;过去的日子。如果我们将最新的24小时数据作为比较，我们或许可以确定相似的日期＆＃34;到今天，从而从匹配的位置获取下一个后续矩阵，＆＃34;预测＆＃34;从历史行动来看明天会发生什么。
这当然是一个粗略的比喻，但说明了我的问题。
我希望从时间序列中获取任意24小时的时间段（让我们称之为矩阵a）并从时间序列（矩阵的000s）中识别那些相似的24小时时段。
我已经以各种类型的回归形式围绕这个主题进行了很多回顾，并且在一个阶段确定数据压缩算法将是最有效的，如果你可以从该过程中获取后续词典，但是，我在这种情况下意识到匹配是＆＃34;确切的＆＃34;我希望＆＃34;类似＆＃34;。
我已经确定了我认为是正确的，＆＃34;物流回归中的L1惩罚和稀疏性＆＃34;位于here。
我（如果我理解的话）采取比较矩阵，将其与其他人进行比较并得到＆＃34;相似度＆＃34; （在这种情况下称为C）。从这里开始，我可以继续我的实验。
如果有些善良的数据科学家帮我一个忙，1。确认我的方向有效，如果没有2.请指出我可以找到解决问题的过程，我会永远感激。
非常感谢提前
ApteryxNZ
答案 0 :(得分：0)
请注意，这实际上取决于您如何定义“类似”。
一种简单的方法是“最近邻”方法：将您的数据点视为24维向量，然后找到距离目标点最短的欧几里德（或曼哈顿或......）距离的数据点。这些是最相似的日子。 （k-d树可以显着加快这个过程。）
但是，24个维度对于您的目的可能太多了。主成分分析（PCA）可以将它们从24维点减少到更低维数，同时尽可能地保留变化。然后找到最近的点会快得多。
请注意，这两种方法只有在比较逐个值时才会起作用，也就是说，如果你不认为“相同但一小时后”特别相似。
答案 1 :(得分：0)
对于时间序列预测（预测），您可以搜索LSTM神经网络，SVM甚至MLP。我已经看到时间序列预测有更简单的分类器，例如AODE。
要过滤您输入到时间序列的数据（如果适用），您可以搜索Granger因果关系，粒子Sworm优化甚至遗传算法
为了在时间序列中找到类似的模式，我认为您最好的选择是使用用于语音识别的动态时间扭曲（DTW）
您可以在某些期刊中搜索相关工作，例如：