datetime编码一个热向量像一个热编码或者其他类似的东西是否有意义？

Question

我是机器学习和深度学习的新手。我一直想解决时间序列问题，它每秒钟都有数据。另外，我最近一直在研究word2vector和时间序列数据。有一天，我想出了一个想法，把像日期时间这样的序列数据转换成一个热编码？

    time
2017-11-01 00:00:01
2017-11-01 00:00:02
2017-11-01 00:00:03
2017-11-01 00:00:04
.
.
.

我的想法有以下的局限性，

• 学习维度过高(1天= 60* 60 * 24 = 86400(s))
• 无限的时间-时间将产生每一刻，甚至现在也是如此。
• 秒差太小，无法学习。

我要你确定我上面所说的关于限制的内容。另外，我想让你给我一些想法，把时间序列数据发展成一个热向量，用于机器学习和深度学习？+你认为这个想法怎么样？

Answer 1

不，每秒一次热编码是没有意义的。正如您所提到的，特征向量是高维的。更糟糕的是:特征向量非常稀疏。

相反，你可以：

• 按日分组: 365项功能，为期一年。
• 添加诸如is_weekday、is_workday、is_saturday、is_morning、is_afternoon之类的特性，--这取决于您的问题中什么是重要的！
• 也许您也可以添加一个Unix时间特性，但请进行标准化(平均减法，除以预期值范围)。