时间序列分类-如何使用来自多个位置的数据训练一个模型？

Question

我有来自多个位置的天气传感器的数据源。 我正在尝试对是否发生某个事件进行分类（简单的二进制分类）。 我已标记数据（每个位置100万个样本-15分钟间隔）。

我假设我尝试分类的事件非常简单（许多模式在所有位置都以相同的方式发生）

我想为所有位置创建一个模型，但也希望能够概括要添加的下一个位置。

现在，我正在使用简单的BiLSTM网络，并且使用如下滚动窗口对数据进行预处理：

    def create_dataset(self, dataset, look_back=1):
     dataX, dataY = [], []
     for i in range(len(dataset) - look_back - 1):
         a = dataset[i:(i + look_back), :]
         dataX.append(a)
         dataY.append(dataset[i + look_back, 0])
     return np.array(dataX), np.array(dataY)

我的第一个想法是使用滚动窗口对每个位置进行预处理，将所有数据连接到一个训练集中，并在每个时期之前进行洗牌。

您认为这是一个好方法吗？ 你能推荐一个更好的吗？ 我想念什么吗？

提前致谢。

编辑：我不想在训练期间告诉我的模型确切的位置，因为将来当我想在一个新的位置预测事件时，当前的训练会偏向某个位置。

Answer 1

我假设您想让模型知道您要从哪个位置进行输入。 因此，您的输入必须以某种方式告诉您要从哪个位置发送数据。 您可以将数据的位置部分连接到实际的天气信息，或者使用更热的编码，例如x=temperature*e_(loc) ，其中e_(loc)=(0,0,1,0,...)的第三位置。 在后一种设置中，您还可以同时为系统提供多个温度（或其他信息）。