我有一组列表，详细说明了不同时间段的温度。我的目标是使用机器学习来识别机器打开和关闭的时间段，打开机器会急剧增加温度，关闭机器会使其恢复到空闲温度。
问题在于存在一定程度的温度惯性——以下面的例子为例。
我的控制数据中有以下列表（为简单起见截断）：
每隔几分钟，温度就会从 73 度开始。12 分钟后关闭，温度为 83 度。然而，在停止点后 3 分钟达到峰值，即 86 度。
给定一个带有标记的开始、结束和峰值的列表的控制组，我将如何使用监督学习来创建一种算法，该算法可以使用只有开始和峰值的列表来预测停止？
有两种流行的方法：
使用传统的有监督二元分类算法（例如，逻辑回归或随机森林）对其进行建模并生成特征（例如，回溯 1 步、回溯 2 步……）
使用隐马尔可夫模型 (HMM) 对其进行建模。隐藏状态是机器开启或关闭。观察到的状态是温度。给定观察到的状态，最有可能产生它的隐藏状态是什么？
由于这基本上是时间序列数据，因此您可以创建一个具有密集输出层的 LSTM 网络，用于二进制分类。假设您的时间序列数据是绑定的，您首先需要对其进行规范化，如果不是，则使其静止，并简单地在您的数据上训练一个单变量 LStm 模型。