推荐的方法来训练自动编码器上的时间序列数据

如何解决推荐的方法来训练自动编码器上的时间序列数据

我想训练飞机系统的时间序列上的自动编码器，以便能够识别特定系统的模式何时显示异常（即：实际模式将“显着”偏离重构信号）。 我对于两种预处理和训练模型的方法不满意，我想参考您的集体智慧和经验来指导我。

首先快速了解数据的结构：

每个列都是特定系统不同航班的时间戳记集合。 由于飞机A的System1与飞机B的System1完全独立，因此我不能简单地通过将“ sequence_lenght”的片段分批组合并将其馈送到网络来以“常规方式”馈送先前的数据集。只要我从同一架飞机上读取数据，该功能便会起作用，但是一旦我切换飞机，就没有连续性。

方法1：增量培训 我会一次只使用一架飞机的数据以“常规方式”训练模型。在每次迭代中，我将继续训练相同的模型，但使用不同的飞机进行不同的批次训练。 每次迭代（希望）在前一个迭代的基础上有所改进。

优点：这是预处理方面的“简便”方法+我可以利用记忆效应来识别更长的模式（使用RNN或LSTM层）…。

缺点：…只要系统不尝试查找来自不同飞机的批次中的模式，情况是否如此？

方法2：“心电图方式” 这是受ECG数据集启发的。我可以不考虑长期飞行，而不是将数据集视为一个重要的时间序列流。 在这种情况下，我将重新采样每个航班，使其长度相同。然后，该模型将通过查看一系列独立飞行来训练模型，以识别飞行中出了什么问题，而实际的时间顺序（两次飞行之间）将不再重要。这样我就可以训练所有数据集。

专家：简化培训+“ sequence_lenght”等同于飞行时长，因此使用起来更容易。

缺点：重采样可能会导致压缩和信息丢失+通过假设每个航班彼此独立，我可以防止系统查找出现在多个航班上的较长时间模式。

当然，一个简单的答案是“尝试一下，自己看看”，而我会完全坚持下去，因为时间和资源都不是约束。

您对我应该首先尝试的内容有任何经验或建议吗？

感谢您的帮助，