用于具有多个输入的时间序列函数分类的Tensorflow模型

Question

我是Tensorflow的新手。

我想将多个（6个或更多）时间序列浮点时间序列输入的结果分类为三个预测性未来输出类别：大的正变化（高于预设水平），大的负变化（低于预设水平），不多更改正或负（在预设级别之间）。

在训练和测试集中，多个输入用于将来预测单个fp值。 每个输入都是以固定时间间隔评估的fp历史值。 我们对未来精确的fp输出值不感兴趣。 我们只关心当前时间和未来时间之间的产值变化在很大程度上是正的，在很大程度上是负的还是在两者之间没有太大变化。

训练和测试数据集将具有历史输入值和输出分类标签（LP，LN和BTWN）。

谁能为此应用建议一个好的tensorflow模型？

例如，假设您有一个正弦角函数前进的正弦函数，并且您要预测将来+10度（时间）时正弦函数的变化。 您可以仅使用1 fp输入（嘈杂的正弦值），并且可以预测在下一个（未来）+10度内正弦值的变化将是LP，LN或BTWN一些预设值。 在该示例中，在0度和180度旋转附近，正弦值的变化率将为LP或LN，而在90度和270度附近，变化率将为低或在某个预设阈值之间。

现在，有了2个输入函数，即有噪声的正弦和有噪声的cos，系统应该能够更好地预测下一个+10度中正弦值的变化。

如果我们添加一些其他相关的噪声输入函数（如atan，角度和圆周位置），即使噪声水平很大，我们也应该能够以较高的确定性更好地预测sin值的未来变化。

我的应用程序不涉及三角函数，但是以类似的方式，输入函数都是有噪声的，但是可以用于辅助预测输出函数未来变化的分类，即大正，大负或介于两者之间。足以实现预期的目标。 无需预测输出函数的确切数值，将其分类为3个输出类别将非常有用。

输出可能仅是2个二进制数字的结果，其中10 = LP，01 = LN，其他值不确定或介于预设阈值之间。

因此，您可以为此应用程序建议一个初始张量流模型吗？