我有一组由大约 40 个维度的时间序列（8 个点）组成的数据（所以每个时间序列是 8 x 40）。相应的输出（类别的可能结果）是 0 或 1。
为多维时间序列设计分类器的最佳方法是什么？
我最初的策略是从这些时间序列中提取特征：每个维度的均值、标准差、最大变化。我获得了一个用于训练 RandomTreeForest 的数据集。意识到这完全是幼稚的，并且在获得糟糕的结果之后，我现在正在寻找一个更改进的模型。
我的线索如下：对每个维度的系列进行分类（使用 KNN 算法和 DWT），使用 PCA 降低维度，并在多维度类别中使用最终分类器。作为 ML 的新手，我不知道我是否完全错了。
如果您使用 Python，有几个包可以自动从您的时间序列中提取数百或数千个特征，将它们与您的标签相关联，选择最重要的，并为您训练模型。
你在正确的轨道上。看看在时域和频域中计算更多的特征。只要样本数>>特征数，您就不太可能过拟合。有没有关于类似问题的文献？如果是这样，那总是提供一个很好的起点。
尝试增强树分类器，例如 xgboost 或 LightGBM。它们往往更容易调整超参数，并使用默认参数提供良好的结果。随机森林和提升树分类器都可以返回特征重要性，因此您可以查看哪些特征与问题相关。您还可以尝试删除特征以检查任何协方差。
但最重要的是，如果您的结果出乎意料地差，请确保正确定义您的问题。手动检查您的结果，以确保您的管道中没有任何错误。
您可以向数据集添加更多功能，如下所示。
如果您的数据来自高度非线性过程，您可以尝试 nolds 包。
最大值、最小值、平均值、偏斜、峰度，如果可能的话，还有一些滚动统计数据。
我正在做类似的事情，我问了一个相关的问题。
我同意 Jan van der Vegt 的观点，标准化（例如 [-1, 1]）或归一化 N(0, 1) 与激活函数相结合对于神经网络非常重要。我会查看 Pichaid Varoonchotikul 的论文：“使用人工神经网络进行洪水预测”，了解 ANN 的来龙去脉。它有非常有趣的警告。不管怎样，我习惯先不试，但当结果不理想时，我习惯于两者都试。不确定它会有所帮助，但我会检查 R 包TSclust和相关文档。作者非常友善，他们会帮助您找到特定的模型来做到这一点。他们是时间序列分析专家！祝你好运！