如何在预测中结合静态特征和时间序列答案

【问题标题】：How to combine static features with time series in forecasting如何在预测中结合静态特征和时间序列
【发布时间】：2020-04-19 05:38:43
【问题描述】：

我试图找到一个类似的问题及其答案，但没有成功。这就是为什么我要问一个以前可能会问到的问题：

我正在处理一个输出几口水井的累积产水量的问题。我的特征既有时间序列（水量和泵速作为时间的函数），也有静态（井深、井的经纬度、含水层厚度等）

#1 井的输入数据如下所示。

动态数据：

                water rate   pump speed   total produced water
2000-01-01         10            4                 1120
2000-01-02         20            8                 1140
2000-01-03         10            4                 1150
2000-01-04         10            3                 1160
2000-01-05         10            4                 1170

静态数据：

depth of the well_1 = 100
latitude and longitude of the well_1 = x1, y1
thickness of the water bearing zone of well_1 = 3

我的问题是如何构建一个可以同时采用动态和静态特征的 RNN 模型（LSTM、GRU、...）？

【问题讨论】：

标签： python static time-series recurrent-neural-network

【解决方案1】：

有多种选择，您需要试验哪一种最适合您的情况。

选项 1：您可以将静态要素视为固定的时间数据。因此，您为每个静态特征创建一个时间维度，并让 LSTM 处理其余部分。

例如，您转换后的数据将如下所示：

                water rate   pump speed   total produced water   depth_wall
2000-01-01         10            4                 1120             100
2000-01-02         20            8                 1140             100
2000-01-03         10            4                 1150             100
2000-01-04         10            3                 1160             100
2000-01-05         10            4                 1170             100

选项 2：设计多头网络。

TIME_SERIES_INPUT ------> LSTM -------\
                                       *---> MERGE / Concatenate ---> [more layers]
STATIC_INPUTS --> [FC layer/ conv] ---/

这是一篇解释组合策略的论文：https://arxiv.org/pdf/1712.08160.pdf

这是另一篇使用选项 2 的论文：https://www.researchgate.net/publication/337159046_Classification_of_ECG_signals_by_dot_Residual_LSTM_Network_with_data_augmentation_for_anomaly_detection

论文2源码：https://github.com/zabir-nabil/dot-res-lstm

【讨论】：