具有多個單變量時間序列的 LSTM 的第一種方法

Question

首先，感謝您提供的任何幫助或評論。 我一直在閱讀相關的帖子，因為這是一個備受討論的話題，但我沒有找到任何對我有幫助的東西。

我提出我的問題：

• 想象一下，您知道過去 10 年中，您所在國家 5 個城市的所有直轄市的每月平均住房銷售價格的變化。 如果我們考慮每個城市 100 個自治市，它將導致 500 個單變量時間序列。

• 鑒於這種情況，我想開發一個神經網絡 model，它使用其中三個城市的自治市，300 個時間序列。 目的是看看他如何將其推廣到他不知道的其他兩個城市。

我完全不知道如何一次在如此大量的時間序列上訓練 model。

Answer 1

由於存在時空問題，我認為普通 LSTM 不能很好地用於這些目的。 您可能會使用擅長學習時空依賴性的圖神經網絡 (GNN)。 基本上在這里，您可以將其視為多元時間序列預測問題，就像STEMGNN的作者一樣

為了強調多個時間序列之間的關系，我們基於稱為多元時間圖的數據結構制定了多元時間序列預測問題，可以表示為 G = (X,W)。 X = {xit} ∈ RN×T 代表多元時間序列輸入，其中 N 是時間序列（節點）的數量，T 是時間戳的數量。 我們將時間戳 t 處的觀測值 NN×N 表示為 Xt ∈ R。 W ∈ R 是鄰接矩陣，其中 wij > 0 表示有一條邊連接節點 i 和 j，wij 表示這條邊的強度。

有公開可用的實現。 我建議您查看PyTorch 幾何庫。