时间序列的分类如何使用来自多个位置的数据来训练一个模型？

Question

我有来自多个地点的天气传感器的数据源。我试图对某个事件是否正在发生进行分类（简单的二进制分类）。 我已标记数据（1 mil）。每个位置的样本（间隔15分钟）

我假设我尝试分类的事件非常简单（许多模式在所有位置以相同的方式出现）

我想为所有地点制作一个模型，但也能够概括下一个将要添加的地点

现在我使用的是简单的BiLSTM网络，数据通过如下滚动窗口进行预处理：

    def create_dataset(self, dataset, look_back=1):
     dataX, dataY = [], []
     for i in range(len(dataset) - look_back - 1):
         a = dataset[i:(i + look_back), :]
         dataX.append(a)
         dataY.append(dataset[i + look_back, 0])
     return np.array(dataX), np.array(dataY)

我的第一个想法是使用滚动窗口预处理每个位置，将所有数据连接到一个训练集中，并在每个历元之前洗牌

你认为这是一个好方法吗？你能推荐一个更好的吗？我错过什么了吗

提前谢谢

编辑：我不想在训练期间告诉我的模型确切的位置，因为将来当我想在一个新的位置预测事件时，当前的训练会偏向某个位置

Answer 1

我假设您希望您的模型知道您从哪个位置提供输入。因此，您的输入必须以某种方式告诉您发送数据的位置。您可以将数据的位置部分连接到实际的天气信息，或者使用一个以上的热编码，如x=temperature*e_(loc)，其中e_(loc)=(0,0,1,0,...)用于第三个位置。在后一种设置中，您还可以同时向系统提供多个温度（或其他信息）