我是机器学习的新手，我想探讨一下这项技术是否可以帮助解决我的问题。我遇到一种情况，我试图根据有关其当前状态的信息来预测一件重型设备的状态（装载灰尘或拖运灰尘的东西），但更重要的是，根据周围其他资产的输入来预测该设备的状态。例如，让我们专注于运输资产，并假设运输工具有三种状态：装载，运输，倾卸。如果仅以“加载”状态为例，则可以使用某些功能来实现资产本身： 支撑杆压力-承载的污垢越多，支撑杆压力越高 发动机怠速-发动机怠速的事实可能意味着它正处于装载状态 位置-资产当前所处的位置（经/纬度）可能表示装载地点 将其提供给模型是很好的，但是如果我可以提供同一附近其他资产的详细信息，则可以大大提高准确性，在此示例中，我们将重点放在装载运输资产的资产上。我希望对加载程序很重要的功能包括： 另一资产（纬度/经度）的接近程度-装载机靠近运输车的事实（持续x个时间段）。 装载牵引车的装载机设备的传感器值。例如，指示装载机的铲斗高度刚好在牵引的支柱压力增加之前。 有效载荷-装载机本身中的物料量。
我对可以使用的功能有很好的了解，但是如果来自不同资产的功能的数量，种类和上下文不同，我不确定如何将这些记录提供给ML算法。我阅读的每个ML示例都以行的形式（如CSV格式）提供了完全相同的要素数据，并且大多数要素似乎都有价值。在我的场景中，并非所有资产都具有相同的功能，但是它们一起可以使模型更准确。此外，我真的很想添加资产都没有的其他功能，例如一些有关两个资产何时紧邻（即它们都在加载区域中）或相距遥远（向下移动）的地理空间详细信息的元数据归类为“运输区”的道路。
所以我的问题是：