我必须预测具有大约 30 个特征和 50.000 个样本的多元时间序列中的下一步。我正在考虑使用 LSTM。使用 LSTM 时，通常推荐使用哪些技术来清理数据？
使用 LSTM 时将数据转换为平稳时间序列是否有意义？使用 PCA 时数据是否应该呈正态分布？
还有大量缺失的时间戳。估算/填充（通过前向填充或其他方式）大空白是否有意义，或者在这种情况下完全忽略丢失的数据是否更好？
推荐用于多元时间序列预测的数据清洗技术？
数据挖掘
时间序列
lstm
数据清理
2022-02-11 15:56:33
2个回答
3个问题：
使用 LSTM 时将数据转换为平稳时间序列是否有意义？ Always Stationarity 总是需要的属性，并且应该转换数据（阅读更多）
使用 PCA 时数据是否应该呈正态分布？否如果您使用一些矩阵分解技术， 则围绕 PCA 有多种假设。例如，如果使用 SVD，您应该确保您的矩阵是全范围的。
估算/填充（通过前向填充或其他方式）大空白是否有意义，或者在这种情况下完全忽略丢失的数据是否更好？如果某些功能缺少大量数据，则应将它们全部丢弃。不要试图推算它，你会添加虚假信息。
- 没有把握。我认为 LSTM 不需要像传统统计方法那样的平稳性假设。我试图用它来预测具有复杂时间和空间相关性的数据集，并且效果很好。但是您应该考虑对数据进行归一化，例如 MaxMinNormalization。不确定差异是否会改善结果。
- 不知道你在问什么。您想使用 PCA 进行预处理吗？PCA 本身不需要正态分布假设。但我认为使用 PCA 进行预测并不是一个好主意。
- 不。如果您有一些空白，您可以像许多论文一样估算它们。但是，如果缺少大量时间戳，请将它们删除。
其它你可能感兴趣的问题