如何将多元时间序列加载到神经网络/ LSTM中

如何解决如何将多元时间序列加载到神经网络/ LSTM中

如何加载以下时间序列：

进入神经网络（LSTM）。到目前为止，我已经看到了将矩阵转置（https://github.com/curiousily/Getting-Things-Done-with-Pytorch/blob/master/06.time-series-anomaly-detection-ecg.ipynb）的方法（小时为列，设备为行）。其他人创建自定义数据加载器：http://www.feeny.org/custom-pytorch-dataset-class-for-timeseries-sequence-windows/并手动创建窗口。

为什么网络没有其他直接处理原始输入并学习模式/周期性/异常的本地方法？如何将多个设备的这个多元时间序列本机加载到（pytorch，张量流）中，以使生成的LSTM正确学习：

单个时间序列的状态（至少在某个窗口内，不一定一定是整个可能无限的时间序列）

但是在执行预测时还要考虑多个系列/设备/窗口的信息

import pandas as pd
  from pandas import Timestamp
  df = pd.DataFrame({'hour': {0: Timestamp('2020-01-01 00:00:00'),1: Timestamp('2020-01-01 00:00:00'),2: Timestamp('2020-01-01 00:00:00'),3: Timestamp('2020-01-01 00:00:00'),4: Timestamp('2020-01-01 00:00:00'),5: Timestamp('2020-01-01 01:00:00'),6: Timestamp('2020-01-01 01:00:00'),7: Timestamp('2020-01-01 01:00:00'),8: Timestamp('2020-01-01 01:00:00'),9: Timestamp('2020-01-01 01:00:00')},'metrik_0': {0: 2.020883621337143,1: 2.808770093182167,2: 2.5267618429653402,3: 3.2709845883575346,4: 3.7984105853602235,5: 4.0385160093937795,6: 4.643267594258785,7: 1.3012379179114388,8: 3.509304898336378,9: 2.8664748765561208},'metrik_1': {0: 4.580434685779621,1: 2.933188328317023,2: 3.999229120882797,3: 2.9099857745449706,4: 4.6302055552849,5: 4.012670194672169,6: 3.697352153313931,7: 4.855210603371005,8: 2.2197913449032254,9: 2.393605868973481},'metrik_2': {0: 3.680527279150989,1: 2.511065648719921,2: 3.8350007982479113,3: 2.4063786290320333,4: 3.231433617897482,5: 3.8505378854180115,6: 5.359150077287063,7: 2.8966469424805386,8: 4.554080028058399,9: 3.3319064764061914},'cohort_id': {0: 1,1: 2,2: 1,3: 2,4: 2,5: 1,6: 2,7: 2,8: 1,9: 2},'device_id': {0: 1,1: 3,2: 4,4: 5,5: 4,6: 3,9: 5}})

解决方法

TSAI 为此提供了一个很好的函数 https://github.com/timeseriesAI/tsai/blob/62e9348d9e29a6b5f628879bd77056c11db5c0ab/tsai/data/preparation.py#L119