如何针对多时间序列数据训练LSTM-适用于单变量和多变量场景？

Question

我有数百个设备的数据（对不起，我没有详细说明设备和为设备记录的数据）。对于每个设备，每小时记录一次数据。

记录的数据为25维。

我的预测任务很少

  

时间序列预测

我正在使用LSTM。由于我有数百个设备，每个设备都是一个时间序列（多变量数据），因此我的所有数据总计都是一个包含多变量数据的多时间序列。

要处理多个时间序列-我的第一种方法是依次连接数据并将它们视为一个时间序列（可以是单变量或多变量），并应用LSTM并训练我的LSTM模型。

但是通过上述方法（通过串联时间序列数据），实际上我在丢失数据的时间属性，因此我需要一种更好的方法。

请提出一些想法或博客文章。

请不要将“多个时间序列”与“多变量时间序列”数据混淆。

Answer 1

您可以考虑采用万能模型或Seq2Seq，例如这份Google论文提出了建议。该方法的工作方式如下：

• 让我们假设您要提前1天预测（24个值），而您使用的是最近7天（7 * 24 = 168个值）作为输入。

• 在时间序列中，分析数据是时间相关的，因此您需要一种考虑这种时间相关性的验证策略，例如通过rolling forecast方法。单独的保留数据用于测试最终的训练模型。

• 第一步，您将从多个时间序列168 + 24切片中生成图像（有关图像，请参阅Google论文）。 x输入的长度为168，y输入的长度为24。使用所有生成的切片来训练LSTM / GRU网络，最后对保留集进行预测。

关于这个问题的好论文：

• Foundations of Sequence-to-Sequence Modeling for Time Series
• Deep and Confident Prediction for Time Series at Uber
• 更多

Kaggle获奖解决方案

• Kaggle Web Traffic Time Series Forecasting

列表并不全面，但是您可以将其用作起点。