如果您想要一个开源黑盒解决方案，请尝试查看Weka，这是一个 ML 算法的 Java 库。这家伙还在 Weka 中使用了 Covolutional Layers，您可以编辑他的分类代码以适应时间序列分类任务。

至于你自己的编码......我正在使用python库theano解决同样的问题（如果我很快就会破解它，我将编辑这篇文章并附上我的代码链接）。以下是我将用来帮助我从一个很好的网络搜索时间中使用的所有论文的完整列表：

• 时间序列预测和神经网络
• 图像、语音和时间序列的卷积网络
• 用于时间序列预测的深度神经网络在超短期风预测中的应用
• 用于股票交易的卷积网络
• 使用时间延迟神经网络的统计套利股票交易
• 使用多通道深度卷积神经网络进行时间序列分类
• 用于时间序列预测的神经网络
• 将神经网络应用于金融市场中的概念漂移检测
• 使用平铺卷积神经网络将时间序列编码为用于视觉检查和分类的图像
• 使用卷积和离散过程神经网络的时间序列预测
• 用于视觉识别和描述的长期循环卷积网络
• 探索用于语音识别的卷积神经网络结构和优化技术

作为起点，您可以编辑此处找到的代码以针对不同数量的类别进行分类，或者将其从分类编辑为回归 - 我通过删除最终的 softmax 层并仅制作一个输出节点来做到这一点。我在一个函数的切片上训练它，比如y=sin(x)作为一个测试。

完全可以使用 CNN 进行时间序列预测，无论是回归还是分类。CNN 擅长发现局部模式，事实上 CNN 的工作假设是局部模式在任何地方都是相关的。卷积也是时间序列和信号处理中众所周知的操作。相对于 RNN 的另一个优势是它们的计算速度非常快，因为它们可以并行化，而不是 RNN 的顺序性质。

在下面的代码中，我将演示一个案例研究，其中可以使用 keras 预测 R 中的电力需求。请注意，这不是分类问题（我没有手边的示例），但修改代码以处理分类问题并不难（使用 softmax 输出而不是线性输出和交叉熵损失）。

该数据集在 fpp2 库中可用：

library(fpp2)
library(keras)

data("elecdemand")

elec <- as.data.frame(elecdemand)

dm <- as.matrix(elec[, c("WorkDay", "Temperature", "Demand")])

接下来我们创建一个数据生成器。这用于创建要在训练过程中使用的批量训练和验证数据。请注意，此代码是 manning 出版物的“Deep Learning with R”一书中（及其视频版本“Deep Learning with R in Motion”）中数据生成器的更简单版本。

data_gen <- function(dm, batch_size, ycol, lookback, lookahead) {

  num_rows <- nrow(dm) - lookback - lookahead
  num_batches <- ceiling(num_rows/batch_size)
  last_batch_size <- if (num_rows %% batch_size == 0) batch_size else num_rows %% batch_size
  i <- 1
  start_idx <- 1
  return(function(){
    running_batch_size <<- if (i == num_batches) last_batch_size else batch_size
    end_idx <- start_idx + running_batch_size - 1
    start_indices <- start_idx:end_idx
    
    X_batch <- array(0, dim = c(running_batch_size,
                                lookback,
                                ncol(dm)))
    y_batch <- array(0, dim = c(running_batch_size, 
                                length(ycol)))
    
    for (j in 1:running_batch_size){
      row_indices <- start_indices[j]:(start_indices[j]+lookback-1)
      X_batch[j,,] <- dm[row_indices,]
      y_batch[j,] <- dm[start_indices[j]+lookback-1+lookahead, ycol]
    }
    i <<- i+1
    start_idx <<- end_idx+1 
    if (i > num_batches){
      i <<- 1
      start_idx <<- 1
    }
    
    list(X_batch, y_batch)
    
  })
}

接下来，我们指定一些要传递给数据生成器的参数（我们创建了两个生成器，一个用于训练，一个用于验证）。

lookback <- 72
lookahead <- 1
batch_size <- 168
ycol <- 3

回溯参数是我们想要查看过去多远，以及我们想要预测未来多远。

接下来我们拆分数据集并创建两个生成器：

train_dm <- dm[1:15000,]
val_dm <- dm[15001:16000,]
test_dm <- dm[16001:nrow(dm),]

train_gen <- data_gen(
  train_dm,
  batch_size = batch_size,
  ycol = ycol,
  lookback = lookback,
  lookahead = lookahead
)


val_gen <- data_gen(
  val_dm,
  batch_size = batch_size,
  ycol = ycol,
  lookback = lookback,
  lookahead = lookahead
)

接下来我们创建一个带有卷积层的神经网络并训练模型：

model <- keras_model_sequential() %>%
  layer_conv_1d(filters=64, kernel_size=4, activation="relu", input_shape=c(lookback, dim(dm)[[-1]])) %>%
  layer_max_pooling_1d(pool_size=4) %>%
  layer_flatten() %>%
  layer_dense(units=lookback * dim(dm)[[-1]], activation="relu") %>%
  layer_dropout(rate=0.2) %>%
  layer_dense(units=1, activation="linear")


model %>% compile(
  optimizer = optimizer_rmsprop(lr=0.001),
  loss = "mse",
  metric = "mae"
)

val_steps <- 48

history <- model %>% fit_generator(
  train_gen,
  steps_per_epoch = 50,
  epochs = 50,
  validation_data = val_gen,
  validation_steps = val_steps
)

最后，我们可以创建一些代码来使用一个简单的过程来预测 24 个数据点的序列，在 R 注释中进行了解释。

####### How to create predictions ####################

#We will create a predict_forecast function that will do the following: 
#The function will be given a dataset that will contain weather forecast values and Demand values for the lookback duration. The rest of the MW values will be non-available and 
#will be "filled-in" by the deep network (predicted). We will do this with the test_dm dataset.

horizon <- 24

#Store all target values in a vector
goal_predictions <- test_dm[1:(lookback+horizon),ycol]
#get a copy of the dm_test
test_set <- test_dm[1:(lookback+horizon),]
#Set all the Demand values, except the lookback values, in the test set to be equal to NA.
test_set[(lookback+1):nrow(test_set), ycol] <- NA

predict_forecast <- function(model, test_data, ycol, lookback, horizon) {
  i <-1
  for (i in 1:horizon){
    start_idx <- i
    end_idx <- start_idx + lookback - 1
    predict_idx <- end_idx + 1
    input_batch <- test_data[start_idx:end_idx,]
    input_batch <- input_batch %>% array_reshape(dim = c(1, dim(input_batch)))
    prediction <- model %>% predict_on_batch(input_batch)
    test_data[predict_idx, ycol] <- prediction
  }
  
  test_data[(lookback+1):(lookback+horizon), ycol]
}

preds <- predict_forecast(model, test_set, ycol, lookback, horizon)

targets <- goal_predictions[(lookback+1):(lookback+horizon)]

pred_df <- data.frame(x = 1:horizon, y = targets, y_hat = preds)

瞧：

还不错。