什么是训练时间序列数据的最佳机器学习模型？ [未预测]

Question

我有一组时间序列数据，它们属于5个不同的类。 [EEG数据（1个数据点，持续1秒钟）。这些数据已被划分为30至40秒的时间段，每个时间段被分为不同的类别，例如A，B，C，D，E]。所以基本上我有大约13500个带标签的数据。

[10,5,48,75,1,...,22,45,8] = A
[26,47,8,77,4,...,56,88,96] = B  like wise

我所做的是直接将这些数据输入到神经网络并训练了模型。但是准确度非常低，只有40％。想知道的是，不仅仅是使用神经网络，什么是训练时间序列数据的最佳模型？

Answer 1

对于时间序列数据，某些体系结构的性能很好：

• 递归神经网络（例如，使用LSTM，GRU或BERT），旨在训练数据序列

这可能是一个示例：https://arxiv.org/pdf/1812.04818.pdf

这是如何工作的：link

在keras中的示例实现：link ，那么您应该找到/设计自己的架构

• TCN ，它使用因果和膨胀卷积来捕获时间序列数据

示例：https://arxiv.org/pdf/1905.03806.pdf

这是如何工作的：link

实施喀拉拉邦：link

我会个性化地选择适合时间序列数据的那些类型的体系结构。