深度学习的不同时间点 model 输入

Question

我想问一下是否可以创建一个 model，其中我有 2 个输入，分别是温度和状态，但输入的开始时间不同？ 例如，温度从 t=0 开始，状态从 t=1 开始。 这个 model 的 output 将只是 t=15 时的温度。 我真的是深度学习的新手，非常感谢您的指导。

这是我的数据集示例。 下面是我目前拥有的model，

def df_to_X_y(df, window_size=15):
  df_as_np = df.to_numpy()
  X = []
  y = []
  for i in range(len(df_as_np)-window_size):
    row = [r for r in df_as_np[i:i+window_size]]
    X.append(row)
    label = [df_as_np[i+window_size][0]]
    y.append(label)
  return np.array(X), np.array(y)

如何更改此 model 以获取温度从 t=0 开始但状态从 t=1 开始？

Answer 1

我认为要解决这个问题，我们必须以'Z1_S1(degC)'从 t=0 开始并且'Status'从 t=1 开始的方式更改df ，因此我们将定义一个新的df ，如下所示：

new_df=pd.DataFrame({'Z1_S1(degC)': [df['Z1_S1(degC)'][i] for i in range(len(df)-1)],   #last value not included
                     'Status': [df['Status'][i] for i in range(1, len(df))]             #first value not included
                    })

我们继续剩下的代码：

def df_to_X_y(df, window_size=15):
  df_as_np = df.to_numpy()
  X = []
  y = []
  for i in range(len(df_as_np)-window_size):
    row = [r for r in df_as_np[i:i+window_size]]
    X.append(row)
    label = [df_as_np[i+window_size][0]]
    y.append(label)
  return np.array(X), np.array(y)

我们将 function 应用于new_df而不是df

X, y = df_to_X_y(new_df, window_size=15)