我刚刚写了一篇关于该主题的博客文章！

简而言之，我写了处理稀疏/不规则顺序数据问题的不同方法。

以下是尝试方法的简短概述：

• Lomb-Scargle Periodogram这
  是一种在非等距时间步长序列上计算频谱图的方法。

• 使用插值网络进行数据建模
  您真的不想在时间步之间天真地进行插值，但训练一个网络为您插值可能会有所帮助！

• 神经常微分方程模型
  可以处理连续时间的神经网络自然可以处理不规则的时间序列。

• 将时间dt作为附加功能（或 Tensorflow 中的位置编码）添加到输入

• 处理缺失值的方法
  这仅在您拥有大量数据时才可行

希望这有助于为您指明正确的方向:)

如果您正在输入一些数据向量$v_t$有时$t$, 直接的解决方案是获取星期几的 one-hot 编码,$d_t$，然后简单地将$v_t$和$d_t$. 如果时间格式比星期几更复杂，那么时间/日期编码方案可能会更复杂。

此外，根据数据的稀疏和不规则程度，NULL 条目应该是一个合理的解决方案。我怀疑 LSTM 的输入门将允许 LSTM 正确读取 NULL 条目的信息，而不会污染您输入的数据（内存/隐藏状态）。

我会尝试将时间间隔明确地合并到模型中。例如，传统的时间序列模型（如自回归 AR(p)）可以被认为是连续时间模型的离散化。例如，AR(1) 模型：

$$y_t=c+\phi y_{t-1}+\varepsilon_t$$ 可以被认为是一个版本： $$y_t=c\Delta t+e^{-\gamma\Delta t}y_{t-\Delta t}+\xi_t\sigma\sqrt {\Delta t}$$

你可以类比 RNN 的时间序列模型。例如，$\phi$在 AR(1) 过程中可以看作是 RNN 中的记忆权重。因此，您可以通过这种方式将观察之间的时间差插入到您的特征中。我必须警告这只是一个想法，我自己还没有尝试过。

我认为这取决于数据。例如，如果您正在处理计数并且您只是在某些日子忘记测量它，那么最好的策略是估算缺失值（例如，通过插值或高斯过程），然后使用 RNN 处理估算的时间序列。通过估算，您将嵌入知识。

如果缺失是有意义的（在某些日子里太热太测量计数），那么最好进行估算，并附加一个指示向量，如果值缺失则为 1，否则为 0。