多重趋势的时间序列模型

Question

我是ML领域的新手。所以，如果我在某个地方错了，请忽略或纠正。目前正在为时间序列数据进行模型培训。我的问题是更具体的自行车共享。我有每个地区和每一种自行车类型(齿轮，没有齿轮.)的自行车共享数量。每一天。

例如，数据：

Date    BikeType    Area    BikeCount
1/1/19  Gear        1        10
1/1/19  WithoutGear 1        15
1/1/19  Gear        2        8
1/1/19  WithoutGear 2        12
2/1/19  Gear        1        11
2/1/19  WithoutGear 1        17
2/1/19  Gear        2        9
2/1/19  WithoutGear 2        16

因此，我将有一个趋势，每种类型的自行车在每个地区。如何对此数据使用时间序列。我必须预测每种类型和每一地区所需的自行车。例如，对于给定的数据，在3/1/19的3/1/19中，我必须预测齿轮传动自行车所需的数量以及1和2区域所需的WithoutGeared自行车数量。(考虑到两个日期的数据足以进行预测，我对每个特定区域和类型都有2年数据，它们有一个良好的趋势)

第二个问题是..。目前，我只需要二维自行车类型和面积，他们可能会增加以后(如他们的颜色和条件)如何处理这一点。任何贡献都是有帮助的。

我从这个问题中得到了一个提示：https://stackoverflow.com/questions/55545501/how-to-perform-time-series-analysis-that-contains-multiple-groups-in-python-usin

但是，这是唯一最好的办法.

谢谢(我也需要关于题目的建议)

编辑：

在以下引用中，我也遇到了类似的问题：

多维多元时间序列预报(RNN/LSTM)

多元多系列LSTM

现在，我还有两个疑问：

1. LSTM是唯一的方法吗？
2. 是我的数据列(数据类型和区域)维度或功能。

Answer 1

我认为你应该研究多元回归。您可以使用这些变量(类型、面积等)以及其他因素，如季节性。创建虚拟变量，如星期的日期，周数，月份等来捕捉季节性。例如，多雨月份的自行车需求可能会减少。这些都是数据固有的特性。

Answer 2

我将逐一讨论你的问题：

如何对此数据使用时间序列

您可以通过输入变量的时间序列来训练RNN多元回归器。您的第一层将是递归层(LSTM或GRU)，并提供以下input_shape：

( batch size , input size , Number of variables )

我只需要二维的自行车类型和面积，他们以后可能会增加(比如他们的颜色和状况)如何处理这个问题。

如果您需要添加以前不存在的新变量，恐怕您必须重新训练您的模型。不同的体系结构=需要训练的一组不同的权重。

LSTM是唯一的方法吗？

不，你可以使用递归层与GRU细胞。GRUs与LSTM不同:它们的参数较少(即威力较小)，但训练速度更快。没有正确或错误的选择，我认为这两种架构都值得测试，看看哪一种在当前任务上表现得更好。

我的数据列(数据类型和区域)是维度还是功能？

请重新表述这个问题，你的意思还不清楚。你所说的“数据类型和面积尺寸或特征”是什么意思？

以上显示的所有变量都可以用作输入变量，如果您相应地对它们进行预处理的话.例如，日期时间信息可以转化为更多的数值变量来捕捉季节性趋势(这只是一个例子)。自行车的类型和区域可以是一个热点编码，或者其他相关信息可以根据它们的值连接.有很多选择。