具有多个单变量时间序列的LSTM的第一种方法

Question

首先，感谢您提供的任何帮助或意见。我一直在阅读相关的帖子，因为这是一个非常热门的话题，但我没有发现任何对我有帮助的东西

我提出我的问题：

• 想象一下，你知道在过去10年中，你所在国家5个城市的所有市政当局每月平均房屋销售价格的变化。如果我们考虑每个城市100个城市，它将导致500个单变量时间序列。

• 鉴于这种情况，我想开发一个神经网络模型，使用其中三个城市的城市，300个时间序列。目的是看看他是如何将其推广到他不知道的其他两个城市的

我完全搞不懂一个模型如何能够同时在如此大量的时间序列上进行训练

Answer 1

由于存在时空问题，我认为普通的LSTM不能很好地用于这些目的。您可以潜在地使用图形神经网络（GNN），因为它们擅长学习时空依赖关系。本质上，你可以像STEMGNN的作者一样，将其视为一个多元时间序列预测问题

In order to emphasize the relationships among multiple time-series, we formulate the problem of multivariate time-series forecasting based on a data structure called multivariate temporal graph, which can be denoted as G = (X,W). X = {xit} ∈ RN×T stands for the multivariate time-series input, where N is the number of time-series (nodes), and T is the number of timestamps. We denote N N×N the observed values at timestamp t as Xt ∈ R . W ∈ R is the adjacency matrix, where wij > 0 indicates that there is an edge connecting nodes i and j, and wij indicates the strength of this edge.

有一些实现是公开的。我建议您查看PyTorch Geometric Library.