给定一个冗长的整数序列，0-1我希望能够根据前一个序列预测下一个可能的整数。
示例数据集：1 1 1 0 0 0 0 1 1 0 0 1 0 1 1 0 0 0 1 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 0 0 1 0 1 1 0 1 0 1 0 1 0 1 0 0 1 0 0 0 0 1 1 1 1 0 0 0 1 0 0 1 1 0 0 0 1 0 1 1 0 1 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0
快速浏览一下上面的内容可能会显示一些可以被 ML 模型识别的明显模式。经过大量研究后，我似乎在寻找 LSTM 解决方案，但找不到任何处理上述模式序列的教程或示例。
我在数据集中确实有其他可用的功能，但我认为它们与整数结果无关，因此预测应该纯粹基于提供的整数数据集的统计相关性。
我正在使用 ML.NET，但也欢迎任何有关如何使用任何其他框架来解决此问题的一般指示。目前正在研究Keraspython。
有 3 种类型的序列预测问题，即：预测类标签、预测序列或预测下一个值
在您的情况下，您期待预测下一个值。
我发现很少有与带有代码示例的序列预测相关的教程。
有许多不同的方法可以执行序列预测，例如使用机器学习领域的马尔可夫模型、有向图等，以及深度学习领域的 RNN/LSTM。然而，RNN 和 LSTM 几乎没有缺点
下面提到了来自研究界的最流行的序列预测模型
部分匹配预测 (PPM)它基于马尔可夫属性，并启发了许多其他模型，例如
依赖图 (DG)
全 K 阶马尔可夫 (AKOM)
转移有向无环图 (TDAG)
概率后缀树 (PST)
上下文树权重 (CTW)
紧凑预测树 (CPT)是最近提出的一种预测模型，它通过利用子序列之间的相似性来压缩训练序列而不会丢失信息。据报道，它在各种真实数据集上比最先进的模型 PPM、DG、AKOM 更准确。
从我发现的研究社区中，Compact Prediction Tree考虑到它与其他模型相比的表现如何，这是研究人员的选择。该教程在 #2 中提到了在 python 中的实现，但是它的原始实现是在Java.
如果您正在寻找一本书，这似乎涵盖了大多数用例，LSTM 网络与 Python：使用深度学习开发序列预测模型
希望我的帖子能解决你的问题
一种解决方案是将 0 和 1 视为字符（或您喜欢的单词），因此问题变成了在给定先前文本的情况下预测下一个字母。这正是这个Keras 示例的内容。您可以尝试一些参数设置（例如 LSTM 的维度数）以找到最佳位置。
我不熟悉 ML.NET 也不熟悉它如何与 Keras 交互，但这个想法就在这里。