我有一只手套，上面附有 2 个 IMU（惯性测量单元）。它可以将旋转值作为四元数 (x,y,z,w) 和手的加速度 (x,y,z)。我把它放在我的左手上，我想预测手相对于我身体上某个固定点（例如我的头）的位置。
当我收集数据时，我只是使用 Vive 控制器来跟踪我的手。
现在我只是将这个值输入到一个简单的模型中，比如 SVM 来预测手相对于我的头部的 (x,y,z)。问题是输出不稳定，因为传感器不够稳定。而且因为它没有考虑上一个时间步长的数据。
我想利用时间序列数据，因为我的数据本质上是时间序列。
如果我将数据视为时间序列，我应该使用哪些算法？你可以建议我也应该学习的东西。
我将首先列出一些您可以研究的模型示例。
你可以建议我也应该学习的东西。
您可以查看更经典的回归类型模型，或者更深入地研究深度神经网络，利用长期短期记忆单元来模拟随时间变化的关系。
帮助您搜索相关教程/文档的主要术语将是autoregressive，这是一个花哨的名称，表示目标值是根据其最近的历史预测的。新近是一个可以调整模型的参数，称为lags。
查看 Python 的statsmodels模块中的选项。更具体地说，您可能想尝试ARIMA模型类。有关 ARIMA 的更多详细信息，请查看此线程。
有许多传统模型可用于时间序列问题。您可能考虑搜索的术语包括：
这是一个更新的话题，总体上比上面讨论的经典模型要复杂一些。如果你走这条路，你可能会通过使用 Keras 等深度学习框架取得最快的进展，它允许你构建复杂的模型而无需太多时间投入。它是一个包装库，在后台使用 Tensorflow、Theano 或 CNTK（这些是可用的后端）。
在涉及时间序列分析的深度学习方法中，您几乎肯定希望从 LSTM 模型开始。这代表长期短期记忆，并在您传递时间序列数据时使用复杂的单元来监控各种状态。这是一个非常大的话题，所以我将提供：
如果您决定采用这种方式（与经典模型相反），那么是的，您应该了解 backprop。
这是您描述的一个非常广泛的问题，并且有很多方法。它也可能在（自我）本地化领域的研究中非常活跃。