从多个时间序列预测事件时间

Question

我为这个新手的问题道歉，但我希望这里的人能给我指明正确的方向。

我想预测事件( X )发生的时间，因为我怀疑几个时间序列与X的时间相关。我的模型将接受完整的时间序列作为输入，并为事件X预测发生的时间输出一个值。请注意，我不是试图预测未来事件的时间，而是预测过去事件的时间。当使用该模型时，我将访问整个时间序列。下面简要介绍一下这些数据的外观：

我的数据集包含许多示例，如上面的示例，即设置窗口中的几个时隙，以及事件发生的时间。

像LSTM模型这样的东西能被训练来完成这项任务吗？经过深入研究，LSTM和RNN模型看起来很适合预测时间序列中的下一个点，而不是像我所描述的那样输出事件的时间。

我能够相当一致地拟合一些时间序列的曲线，所以我尝试训练一些基于树的ML算法关于这些拟合曲线的系数，但没有成功。接下来，我希望尝试一种更复杂的基于时间序列的方法。

我希望你能把我引向正确的方向。我应该研究什么类型的模型或方法。

Answer 1

这类问题可以用两种不同的方式建模，我称之为事件时间和时间对事件。第一个是你已经尝试过的东西，并在你的图片中加以说明。

事件时间

在整个时间序列中输入，并以事件的时间为目标。目标可以被编码为从序列开始的第二步，整个序列持续时间的百分比等等。

优势：

• 很简单。标准回归装置

缺点：

• 时间序列可能很长，模型很难学习。
• 在训练集中很少有实例。每一时间序列1。
• 一个系列的单一预测，没有值的分布

Time-to-event

将时间序列划分为多个重叠的分析窗口。对于每个窗口，计算(及时)到感兴趣事件的距离，并将其用作目标。目标可以用秒表示，也可以用时间步数表示.请注意，它可能是正的(在未来，相对于窗口)或负的(在过去，相对于窗口)。

在训练时，最简单的设置是处理每个这样的分析窗口，时间-目标对被视为独立的实例。

在预测时间，每个单独的分析窗口然后通过模型。然后，必须对每个单独窗口的预测进行聚合，以给出单个预测。在最简单的情况下，这可能只是平均值或中位数。更高级的案例，例如，基于时间的权重预测(可能)

优势：

• 将数据集中的培训实例数乘以
• 模型输入具有较低的数据复杂度。因为只有一段时间
• 可以实时/流的方式进行预测。
• 得到多个预测，形成一种分布

缺点

• 添加另一个函数块，将窗口预测聚合到单个预测中。
• 添加额外的超参数。窗口长度，重叠，聚合方法
• 重叠意味着模型在每个数据点上运行多次。可能会增加预测的计算时间

相对于整个时间序列，窗口长度可能相当短。Ex 15分钟系列，60秒窗口，每个窗口之间使用5秒转发(91.66%重叠)。这将使15分钟*60/5s=每系列180个实例。

或者窗口的长度可以非常接近整个时间序列。Ex 15分钟系列，10分钟窗口和1分钟转发在每个窗口之间(90%重叠)。给出15分钟/1分钟=每串15个实例。

这里最有效的方法是高度依赖于问题和数据。

像这样的多个分析窗口的使用实际上是一种数据增强技术(时移)。由于它也适用于预测时间，因此也是测试时间增强(TTA)的一个例子。

模型

我总是建议从非时间序列模型开始作为基线。总结每个窗口内的特性(每个变量的均值、std、(max-min) )，并使用线性回归、随机森林来查看它的性能。这表明了问题的复杂性。并且是超级快做一些初始超参数扫描(例如，关于窗口的长度)。您应该将这些特性/预测绘制成探索性数据分析/错误分析的一部分！

在那之后，我会尝试一个简单的LSTM / GRU模型，或者可能是一个一维CNN。