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

如果您试图预测未来的值，那么将它们作为分类特性来处理是没有意义的。没有什么可以预测未来的数据，因为你不会再次看到这些数据。

即使您试图预测不可见的过去数据，但每次只出现一次或少数次，情况也是如此。

相反，时间值应该确定培训数据的顺序。这样可以避免泄漏未来的数据，具有状态的模型可以从数据的顺序性质中学习特性。

但是，在某些情况下，您可能希望从时间值中提取其他特性。下面是一些示例：

1. 上一次有趣事件以来的时间
2. 大小为n的上一时间窗口中有趣事件的数目
3. (上午/下午/等)
4. 一周中的一天
5. 假期
6. 季节

我们来举个例子吧。以下是用户访问网站的时间数据集：

time               user
2017-11-01 00:00   Alice
2017-11-01 00:00   Bob
2017-11-02 00:00   Chris
2017-11-03 00:00   Alice
2017-11-04 00:00   Alice
2017-11-04 00:00   Bob
2017-11-07 00:00   Chris
2017-11-10 00:00   Alice

下面是我们添加的具有其他特性的数据集：

time               user    last_visit   weekend?   time_of_day
2017-11-01 16:22   Alice   N/A          No         afternoon
2017-11-01 11:13   Bob     N/A          No         morning
2017-11-02 20:35   Chris   N/A          No         evening
2017-11-03 16:07   Alice   2 days       No         afternoon
2017-11-04 17:20   Alice   1 day        Yes        afternoon
2017-11-04 10:44   Bob     3 days       Yes        morning
2017-11-07 08:06   Chris   5 days       No         morning
2017-11-10 17:11   Alice   6 days       No         afternoon

如果我们试图预测某个用户何时会访问下一次，那么这些特性可能对我们有很大帮助。例如，我们可能决定Alice更有可能在下午访问，或者Bob不太可能连续两天访问。