具有多个单变量时间序列的 LSTM 的第一种方法

Question

首先，感谢您提供的任何帮助或评论。 我一直在阅读相关的帖子，因为这是一个备受讨论的话题，但我没有找到任何对我有帮助的东西。

我提出我的问题：

• 想象一下，您知道过去 10 年中，您所在国家 5 个城市的所有直辖市的每月平均住房销售价格的变化。 如果我们考虑每个城市 100 个自治市，它将导致 500 个单变量时间序列。

• 鉴于这种情况，我想开发一个神经网络 model，它使用其中三个城市的自治市，300 个时间序列。 目的是看看他如何将其推广到他不知道的其他两个城市。

我完全不知道如何一次在如此大量的时间序列上训练 model。

Answer 1

由于存在时空问题，我认为普通 LSTM 不能很好地用于这些目的。 您可能会使用擅长学习时空依赖性的图神经网络 (GNN)。 基本上在这里，您可以将其视为多元时间序列预测问题，就像STEMGNN的作者一样

为了强调多个时间序列之间的关系，我们基于称为多元时间图的数据结构制定了多元时间序列预测问题，可以表示为 G = (X,W)。 X = {xit} ∈ RN×T 代表多元时间序列输入，其中 N 是时间序列（节点）的数量，T 是时间戳的数量。 我们将时间戳 t 处的观测值 NN×N 表示为 Xt ∈ R。 W ∈ R 是邻接矩阵，其中 wij > 0 表示有一条边连接节点 i 和 j，wij 表示这条边的强度。

有公开可用的实现。 我建议您查看PyTorch 几何库。