新手问题在这里，但我很想问是否可以在时间序列数据上训练 MLP 神经类型网络？
我拥有的数据集是来自建筑功率计的电力类型数据集，我可以发现我可以训练一个不错的 NN 模型，其中包括大量天气数据以及许多用于一周时间的热编码虚拟变量. （日、小时、月数等）
我正在使用 Tensorflow Keras 库在 Python 中进行试验，并且我知道训练过程中的默认设置会随机打乱数据。对于随机洗牌将从数据中消除季节性的时间序列类型问题，这是一个否决吗？（固定/非固定）对数据进行混洗的结果一目了然，但不是随机混洗数据，MLP NN 的结果很差，就像模型训练不好一样。
我知道其他一些时间序列预测方法可以包括 ARIMA、LSTM 等，但我很想知道 MLP 是否也可以用于这些目的？我最终需要的是一种短期预测方法，可以结合每小时天气预报（来自 Web API）来预测未来每小时的建筑用电量。非常感谢任何提示。
谢谢
所以我在机器学习掌握帖子上发布了同样的问题，关于去除时间序列数据的趋势和季节性差异变换。Jason Brownlee 回答了我的问题：
是的，你可以使用 MLP、CNN 和 LSTM。它需要首先使用滑动窗口将数据转换为监督学习问题：
https://machinelearningmastery.com/time-series-forecasting-supervised-learning/
然后以尊重 obs 的时间顺序的方式评估模型，称为前向验证：
https://machinelearningmastery.com/backtest-machine-learning-models-time-series-forecasting/
你可以在这里看到数十个教程和我的书：
https://machinelearningmastery.com/start-here/#deep_learning_time_series
我对这篇文章的回复
本 2021 年 2 月 12 日上午 8:09 #
很酷，感谢您提供的所有信息。因此，如果我对 MLP NN 使用多元滑动窗口，那么在训练模型时可以
shuffle_data == True吗？还是我不应该打乱训练数据……？非常感谢！
杰森对我上述问题的答复
杰森布朗利 2021 年 2 月 12 日下午 1:36 #
是的，只要训练数据集中的所有数据与测试集相比都是过去的数据。
考虑神经网络中分类特征的实体嵌入，这对于 NN 上的表格数据是必要的。
不是我的： https ://www.kaggle.com/abhishek/entity-embeddings-to-handle-categories