假设我想预测明天的温度。我可以使用基于从单个位置收集的时间序列数据集训练模型的方法（例如，请参阅此出色的演练：https ://blogs.rstudio.com/tensorflow/posts/2017-12 -20-time-series-forecasting-with-recurrent-neural-networks/）。
但是，假设我想训练一个模型，该模型包含来自多个天气记录站点的时间序列。在这种情况下，让我们说来自不同站点的记录观察在时间上是不重叠的。理想情况下，有一种方法可以使用非连续观察（例如从不同站点收集的观察）来训练模型，这也使我们能够量化“站点”对我们的预测的影响。
这仅仅是为每个站点训练独立 LSTM 模型的情况吗？或者是否有其他方法可以使总训练数据集来自多个观察集（例如站点、非连续观察块等）？
如果您希望预测多个时间序列（这在本质上是相似的，因为该地区的每个气象站都会记录相似的温度，即使它们不相同），为每个时间序列使用单独的 LSTM 模型可能会非常耗时.
您可以采取的一种方法是在Cross Validated上的另一个问题的出色答案中提出的一种方法。本质上，作者描述了一种使用 LSTM 预测销售的方法，其中模型在一个系列的小批量（或子集）上进行训练，然后选择一个新系列。在这种情况下，我会理解这意味着从气象站 1 合并数据子集，然后从气象站 2 合并另一批数据，等等。
这将具有本质上创建一个统一系列的优势，该系列考虑了所有气象站的特征 - 这允许最大限度地利用数据，并允许网络从所有站学习模式 - 而不仅仅是一个或一个选择很少。
一种选择是首先使用选定气象站的数据子集尝试此方法，然后将预测准确性与每个使用单独 LSTM 模型的预测准确性进行比较。如果您发现前一种方法的预测更准确，那么采用这种方法是有意义的。
如果您使用的是 R，那么还可以选择使用像forecastML这样的包来执行此操作 - 如果您不依赖于使用 LSTM 模型，那么这也可能是另一个考虑因素。
您可以通过将图卷积网络与 LSTM 模型相结合来使用时空数据进行预测！
这个想法来自赵等人的一篇论文。称为“ T-GCN：用于交通预测的时间图卷积网络”（https://ieeexplore.ieee.org/document/8809901），并在 Python 中的StellarGraph模块中实现（https://stellargraph.readthedocs.io /en/stable/demos/time-series/gcn-lstm-time-series.html）。
上面的 StellarGraph 链接带你看一个演示，让实现相对简单