多元时间序列分类
多元时间序列分类
提问于 2017-07-08 12:26:33
我有大约72,000多变量时间序列(MTS)，具有四维，长度约为3000毫秒(非恒定)。它是(4*3000*72000) DLN。这个MTS有两个可能的结果，要么通过，要么失败。
如何选择更符合以上标准的分类器？
我读过一些MTS分类的实现。我不能应用距离测量技术进行分类，因为与其他MTS相比，数据太长且不是常数。
我正在考虑应用以下技术进行分类。
1)从数据中提取全局统计特征并应用任何分类器(KNN或随机森林或神经网络)
什么是最好的方法。请指导我更好的技术，我也开放其他技术分类MTS。
回答 1
Data Science用户
发布于 2018-02-28 23:51:57
跟进关于深度学习的评论，使用高维时间序列数据，您将得到更好的服务于一个递归类型的深度模型。例如，LSTM是高维数据的一个很好的起点.这可能是一个很好的起点：带有Keras的Python中LSTM递归神经网络的序列分类
尽管CNN对于高维数据非常有用，但是当您有一个时间序列时，最好从一个为时间序列设计的模型开始。CNN可能做得很好，你应该把你的结果和CNN进行比较，但这不是一个时间序列模型。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/20261
复制相关文章
相似问题
腾讯云开发者
