如果我输入了这样的时间序列数据形状，X.shape = (batch_size, 50, 5)，这意味着数据有 5 个“特征”，每个有 50 个时间步长。将这样的数据传递到 Conv1d 层是否意味着这 5 个特征彼此之间存在某种空间关系，例如图像中的像素如何与其周围的像素更密切相关而不是更远的像素？在处理这样的时间序列数据时，有没有办法消除这种特征关系？例如，即使特征的顺序是随机的，网络仍然会从每个特征的一维空间中看到的模式中学习吗？
传递到 Conv1d 层的特征可以随机化吗？
数据挖掘
深度学习
喀拉斯
时间序列
美国有线电视新闻网
2022-03-08 09:46:02
1个回答
通常在时间序列的 Conv1D 层中，特征可以是在同一时间段内进行或记录的不同测量值。所以它们可以相互关联。例如，如果您尝试预测下面的 time=4，那么问题是您的特征 meas1 和 meas2 之间是否存在关系？如果是这样，您希望将这些功能保持在一起以提供更好的结果。
| time | meas1 | meas2 |
|------|-------|-------|
| 1 | 4 | 6 |
| 2 | 3 | 7 |
| 3 | 2 | 8 |
| 4 | ? | ? |
您可以查看数据集中的互相关来回答这个问题。由于这是时间序列数据，因此您可以使用 Pearson 相关性。
其它你可能感兴趣的问题