您可以将 H2O 用于时间序列，并且通常会进行一些数据工程来创建基于时间的特征。在我的书（Practical Machine Learning with H2O）中，三个主要数据集之一是足球比赛结果的预测，因此展示了一些技术。

我通常在 R 中做类似arimaand之类的事情adf.test，并将输出用作我加载到 H2O 中的特征。尽管如果您的数据集不适合内存（这是 H2O 相对于 R 的主要优势之一），这并不理想。有两个功能请求，您可以评论或投票：https ://0xdata.atlassian.net/browse/PUBDEV-2590和https://0xdata.atlassian.net/browse/PUBDEV-4153，但它似乎还没有人在研究它们。

LSTM 应该可以使用 DeepWater 从 H2O 获得（即使用 TensorFlow 或 MxNet 作为后端）。我自己仍在寻找专门针对此的教程。

专为时间序列设计的方法比黑盒机器学习算法更适用于此类数据，例如本博客条目中所示。时间序列模型考虑了数据的时间依赖性，而通用方法则没有。当然，您可以在数据中添加带有 lags 的附加列，但是您仍然会假设$Y_{t-4}$是一些不同的变量，不必有任何共同点$Y_{t-3}$， 或者$Y_{t-5}$...您可以考虑对数据进行一些更复杂的转换，以便尝试模仿时间序列模型所做的事情，但是，为什么要重新发明轮子..？

至于 H2O，你应该问作者。（但是，由于它是通用机器学习软件，所以我怀疑他们是否会对实现一些专门的模型感兴趣。）