具有二元结果预测的多时间序列

Question

我在前言中说我对神经网络及其操作非常陌生。我已经完成了一些阅读，使用了一些基于云的工具（Cortana和AWS），但除此之外，我还不熟悉算法，神经网络等等......

我正在寻找有关我可用于实现以下目标的系统/工具/种类算法的建议。

问题说明

我有一个包含许多用户的时间序列数据的数据集。数据集可以包含可变数量的唯一用户（概率最大值为150），并且每个用户具有针对四个不同变量的4组不同的时间序列数据。下面的示例数据集

V =变量

用户|时间| V1 | V2 | V3 | V4

1 |上午12点| 13 | 1045 | 12.2 | 52.4

1 | 12.01am | 12 | 1565 | 11.9 | 50.3

2 |上午12点| 2 | 15434 | 1.93 | 47.2

2 | 12.01am | 2.02 | 17434 | 1.98 | 43.1

等等x用户和每个用户的数百个数据点。

所需输出

通过解析数据，我希望能够训练系统根据输入为用户返回二进制TRUE或FALSE，或者用户的概率％为TRUE。

二进制文件实际上是TRUE或FALSE结果。所有10个用户中只能有一个TRUE。我认为恢复成为TRUE的几率可能是最简单的形式？我可能错了。

输入格式

结束点是拥有一个我可以发送数据集的API，它返回用户及其概率（或二进制TRUE | FALSE结果）。

系统

我希望能够在第三方服务上执行此操作，而不是必须构建我自己的系统来进行处理，而不是必需的。

培训数据

我有多年的数据能够训练系统，成千上万的真实用户集等等。

结束

寻找关于从多个时间序列数据集预测二元结果的内容和方法的建议。

非常感谢此处的任何帮助和指导。

由于

拉​​斯

Answer 1

我正在研究类似的问题（我也不是专家），但我会分享我的方法，以防它回答了您问题的“什么”部分。

我的解决方案是转换数据集，因此我遇到了一个可以用传统分类算法（Random Forest，boosting等）解决的问题

此方法要求对数据进行标记。转换后的数据集的每一行将代表与训练数据集中的每个TRUE或FALSE结果相关的信息。每行将是一个唯一的事件，并将具有：

• 1列带有响应
• p套列（p个原始变量中的每一个一组）
• k个变量来表明季节性

p组列中的每组将由时间t（记录该行的响应的时间）处的变量，时间t-1（lag1），...处的变量和时间tT（lagT）。

示例：

原始数据集（我只保留了V1和V2，并添加了结果变量）

<身体>

用户	时间	V1	V2	结果
1	上午12.00	13	1045	错误
1	上午12.01	12	1565	是

转换后的数据集

<身体>

ID	V1_lag1	V1_lag0	V2_lag1	V2_lag0	结果
event_id	13	12	1045	1565	是

通过此设置，您可以基于在时间t评估的V1和V2以及在lag1（t-1min）评估的V1和V2拟合一个模型，该模型将针对新观测在时间t预测TRUE的概率。 / p>

您还可以创建可以更好地描述变量的新功能（请参见Features for time series classification）。

如果变量显示季节性模式，则应以某种方式合并季节性：

<身体>

ID	V1_lag1	V1_lag0	V2_lag1	V2_lag0	天	小时	结果
event_id	13	12	1045	1565	星期三	上午12点	是