Python中每个即将到来的样本的时间序列分类

如何解决Python中每个即将到来的样本的时间序列分类

我目前正在研究Python中的时间序列分类，到目前为止，我已经尝试过sktime库。据我了解，进行预测的大多数方法都需要一个时间序列：

prediction (a time series) = class_label

我的问题是：如何搜索和应用算法，在进行预测时，它们需要在时间t0处有一个数据点，而不是一个完整的时间序列？喜欢：

prediction (data at time t0) = class_label

解决方法

单个时间点的数据与多个时间点的数据之间的唯一区别是，单个时间点数据与多个时间点数据相同，但只有1个条目。

从这个意义上说，任何处理多点的函数也可以通过提供包含1个具有该时间点数据的条目的数组来处理单点。

假设您有单个时间点的一些数据，该数据是任何形状的数组a0，例如，您有形状为a0的一维数组(10,)，即具有10个要素。

然后，您可以将该数组转换为包含多个时间点数据的2D数组，只需将其转换为形状(1,10)即可，这是通过短语法a_mult = a0[None]对numpy数组完成的，或者使用相同的方法结果是a_mult = np.expand_dims(a0,0)，只是语法更长。

将a0转换为a_mult之后，您可以在以后接受多个时间点数据的任何函数中使用a_mult。下面的示例代码：

Try it online!

import numpy as np
a0 = np.array([1,2,3,4,5])
print(a0.shape,a0)
a_mult = a0[None]
print(a_mult.shape,a_mult)
# Now call your multi-point function f_predict(a_mult)

输出

(5,) [1 2 3 4 5]
(1,5) [[1 2 3 4 5]]

对于相反的情况也可以做类似的事情，即，当您有多个时间点数据，并且想要将它们提供给仅接受一个时间点的函数时。这也可以通过索引数组并进行循环来轻松实现，例如如果您有a_mult个具有多个点的数组，则要将其转换为单点，只需执行a0 = a_mult[k]，其中k是从0到number_of_time_points - 1的整数。 k可以通过常规的Python循环进行迭代。下面的示例代码：

Try it online!

import numpy as np
a_mult = np.array([
    [1,5],[6,7,8,9,10],])
print(a_mult.shape)
print(a_mult)
f_predict = lambda x: np.sum(x) # Simple function,just does a sum of elements
res = np.zeros((a_mult.shape[0],),dtype = np.int64)
for k in range(a_mult.shape[0]):
    a0 = a_mult[k]
    # Now call your single-point function f_predict
    # and store result into res
    res[k] = f_predict(a0)
print(res)
# Same as in code above can be achieved by next short syntax
res = np.array([f_predict(a_mult[k]) for k in range(a_mult.shape[0])])
print(res)

输出

(2,5)
[[ 1  2  3  4  5]
 [ 6  7  8  9 10]]
[15 40]
[15 40]