基于（？）LSTM的多变量时间序列分类

Question

我对时间序列分类比较陌生，正在寻求帮助：

我有一个包含5000个多元时间序列的数据集，每个数据集由21个变量组成，时间周期为3年，类别信息为1或0。我想做的是对一个新的输入进行分类，它在3年的时间内由21个变量组成

就目前而言，经过几天的研究，我还没有找到（或显然没有理解）将多变量时间序列输入LSTM的方法。有没有可能的解决办法

我目前的想法是将5000个时间序列“合并”为一个，并在每个时间序列中添加另一个单独的变量，以明确区分每个部分…我绝对不确定这是否有效或完全愚蠢

我很高兴得到任何帮助或提示！！！如果我需要进一步澄清任何事情，请询问，我会立即这样做

Answer 1

我正在建立一个类似的模型，但图像。 在您的情况下，假设您的数据的结构如下：

0000: x1, x2, x3....x21
0001: x1, x2, x3....x21
0002: x1, x2, x3....x21
.
.
.
5000: x1, x2, x3....x21

如果您希望仅使用一个观测值（即时间步长为1）的输入来预测结果，请构造数据集，以便时间序列的下一步是当前步骤的输出。这里箭头标记后的变量是您的目标变量

0000: x1, x2, x3 ....x21 ->> 0001: x1, x2, x3 .... x21
0001: x1, x2, x3 ....x21 ->> 0002: x1, x2, x3 .... x21
0002: x1, x2, x3 ....x21 ->> 0003: x1, x2, x3 .... x21
.
.
.
4999: x1, x2, x3 ....x21 ->> 5000: x1, x2, x3 .... x21

如果您希望有多个时间步作为输入，例如3，那么第4个时间步将是第一个时间步的目标变量，依此类推：

[0000: x1, x2, x3....x21
0001: x1, x2, x3....x21
0002: x1, x2, x3....x21] ->> [0003: x1,x2,x3 .... x21]
[0001: x1, x2, x3....x21
0002: x1, x2, x3....x21
0003: x1, x2, x3....x21] ->> [0004: x1,x2,x3 .... x21]
.
.
.
[4997: x1, x2, x3....x21
4998: x1, x2, x3....x21
4999: x1, x2, x3....x21] ->> [5000: x1,x2,x3 .... x21]

因此，重要的部分是正确定义数据集，LSTM可以很好地处理这些数据