基于相似序列的历史样本少的时间序列预测

Question

我试图用Keras建立一个模型，根据传感器的类型和历史数据预测传感器的时间序列。

下图显示了3个时间序列，由3个相同类型的传感器产生，绿色虚线是新的传感器数据，垂直线是新传感器数据的终点。

我尝试编写一个LSTM网络，它返回每个输入时间步骤的隐藏状态输出，而目标是每个时间戳的值。然后尝试对新的时间序列进行预测，给出模型的几个传感器历史数据点。运气不好:(

所以我猜我走错路了。根据同一类型的其他时间序列的历史，用几个历史样本预测一个时间序列有哪些选择？

任何帮助/参考/录像将被附加

Answer 1

我建议使用诸如ARIMA或ES之类的统计预测技术，但是这些模型通常不能很好地跨时间序列进行推广，所以每个时间序列都需要一个。

使用最小二乘法进行预测的一个很好的起点是https://www.tensorflow.org/tutorials/structured_数据/时间_系列。但是如果你没有足够的数据，NNs会导致测试结果不佳。

对于您的情况，我建议您尝试一种回归方法--将您的时间序列构造成一个回归功能格式。在此之后，您可以使用回归模型从学习开始，从线性和移动到更复杂的。由于您的数据较少，您可能需要首先探索不太复杂的模型，以防止过度拟合。例如，对于这些特性，您可以创建滞后特性(您的信号的值为两个回退时间，过去两个时间步骤的平均值/std是多少，最后6个时间步骤中的最大值是多少等等)。如果您想要参考代码或获得有关特征提取的特定想法，请查找任何在时间序列预测方面的kaggle竞争。

Answer 2

准确的时间序列预测对数据来说可能是不可能的。

数据在垂直线上似乎是非平稳的(即变化的分布特性).在此时间点之前的训练可能无法准确预测之后的时间点。

此外，黄色、蓝色和红色的线条在竖直后非常嘈杂(甚至可能是随机游走)。