neural-network - 如何处理 LSTM 神经网络 Pytorch 的“具有多个观察/个体的多变量时间序列”数据集？

Question

在具有多个观察/个人的多变量时间序列序列到序列（例如，5 到 1）预测的背景下，我试图了解如何处理我拥有的数据集。

数据集的结构如下：20'000个观察次数（例如人）、30 个特征/变量、70 个时间戳（与每个特征/变量和人相关联）。在 PyTorch 中，数据集形状为 (20000, 70, 30)（使用 dataset_loaded.shape）。这意味着我们有 20,000 人，对于每个人，每个特征总共需要 70 个值（因为有 70 个时间戳）。

我的目标是对人进行二元分类；每个人都与 30 个不同的时间序列（70 个时间戳）相关联，提供有关如何对人进行分类的信息。

我当前的问题是构建一个正确的训练数据加载器，以便使用简单的 LSTM 神经网络执行小批量训练。

到目前为止，我发现的所有示例都没有多个个体（例如，人、股票、设备等）。这意味着在每个时间戳（例如，它们有 70 行）和每个特征（例如，它们有 30 列）只有“观察”（例如，仅针对一个特定的人或一个特定的股票或一个特定的设备） ）。因此，处理此类数据、使用移动窗口并创建正确的训练数据加载器变得很简单，因为我们有一个大小为 (70, 30) 的张量。

我应该如何处理“多人”方面？这是否意味着我应该创建 20'000 个训练数据加载器并训练 20'000 个 LSTM 模型？好像不太合理...

我问的有道理吗？是否有一种明显的方法可以更好地（或至少正确地处理数据？）？对于这样的任务，只使用一个训练数据加载器和一个 LSTM 模型是一个合理的想法吗？

我可能错过了一些重要的事情，因为我似乎无法找到我的问题的答案，即使这样的任务（即，让多个人在多个时间戳上测量多个特征）应该很常见......

标签： neural-networkpytorchtime-serieslstmforecasting