我是机器学习和深度学习的新手。我想解决时间序列问题，它每秒都有数据。另外，我最近一直在研究 word2vector 和时间序列数据。有一天，我想出了一个想法，将日期时间等序列数据转换为一次性编码？
time
2017-11-01 00:00:01
2017-11-01 00:00:02
2017-11-01 00:00:03
2017-11-01 00:00:04
.
.
.
我的想法有一些限制，如下所示，
我希望你确定我在上面所说的关于限制的内容。另外，我希望你能给我一些想法，将时间序列数据开发成用于机器学习和深度学习的单一热向量？+ 你怎么看这个想法？
如果您试图预测未来的值，那么将它们视为分类特征是没有意义的。你不会学到任何东西来预测未来的数据，因为你不会再看到那些时代了。
即使您试图预测看不见的过去数据，但每次只出现一次或少数几次，情况也是如此。
相反，时间值应该确定训练数据的顺序。通过这种方式，您可以避免泄漏未来的数据，并且具有状态的模型可以从数据的顺序性质中学习特征。
但是，在某些情况下，您可能希望从时间值中提取其他特征。这里有些例子：
让我们举个例子。以下是用户访问网站的时间数据集：
time user
2017-11-01 00:00 Alice
2017-11-01 00:00 Bob
2017-11-02 00:00 Chris
2017-11-03 00:00 Alice
2017-11-04 00:00 Alice
2017-11-04 00:00 Bob
2017-11-07 00:00 Chris
2017-11-10 00:00 Alice
这是我们添加的具有附加功能的相同数据集：
time user last_visit weekend? time_of_day
2017-11-01 16:22 Alice N/A No afternoon
2017-11-01 11:13 Bob N/A No morning
2017-11-02 20:35 Chris N/A No evening
2017-11-03 16:07 Alice 2 days No afternoon
2017-11-04 17:20 Alice 1 day Yes afternoon
2017-11-04 10:44 Bob 3 days Yes morning
2017-11-07 08:06 Chris 5 days No morning
2017-11-10 17:11 Alice 6 days No afternoon
如果我们试图预测某个用户下一次访问的时间，那么这些功能可能对我们有很大帮助。例如，我们可能决定 Alice 更有可能在下午访问，或者 Bob 不太可能连续两天访问。