用於具有多個輸入的時間序列函數分類的Tensorflow模型

Question

我是Tensorflow的新手。

我想將多個（6個或更多）時間序列浮點時間序列輸入的結果分類為三個預測性未來輸出類別：大的正變化（高於預設水平），大的負變化（低於預設水平），不多更改正或負（在預設級別之間）。

在訓練和測試集中，多個輸入用於將來預測單個fp值。 每個輸入都是以固定時間間隔評估的fp歷史值。 我們對未來精確的fp輸出值不感興趣。 我們只關心當前時間和未來時間之間的產值變化在很大程度上是正的，在很大程度上是負的還是在兩者之間沒有太大變化。

訓練和測試數據集將具有歷史輸入值和輸出分類標簽（LP，LN和BTWN）。

誰能為此應用建議一個好的tensorflow模型？

例如，假設您有一個正弦角函數前進的正弦函數，並且您要預測將來+10度（時間）時正弦函數的變化。 您可以僅使用1 fp輸入（嘈雜的正弦值），並且可以預測在下一個（未來）+10度內正弦值的變化將是LP，LN或BTWN一些預設值。 在該示例中，在0度和180度旋轉附近，正弦值的變化率將為LP或LN，而在90度和270度附近，變化率將為低或在某個預設閾值之間。

現在，有了2個輸入函數，即有噪聲的正弦和有噪聲的cos，系統應該能夠更好地預測下一個+10度中正弦值的變化。

如果我們添加一些其他相關的噪聲輸入函數（如atan，角度和圓周位置），即使噪聲水平很大，我們也應該能夠以較高的確定性更好地預測sin值的未來變化。

我的應用程序不涉及三角函數，但是以類似的方式，輸入函數都是有噪聲的，但是可以用於輔助預測輸出函數未來變化的分類，即大正，大負或介於兩者之間。足以實現預期的目標。 無需預測輸出函數的確切數值，將其分類為3個輸出類別將非常有用。

輸出可能僅是2個二進制數字的結果，其中10 = LP，01 = LN，其他值不確定或介於預設閾值之間。

因此，您可以為此應用程序建議一個初始張量流模型嗎？