LSTM时间序列 实验数据处理

Question

下面工作表的名字0，1%，2%等指的是固体加了多少，0.7,0.9,1,1等指的是不同加热方式，需要用前几个表的数据预测后几个表_1-3[CH3]的值
刚入门，想问问应该怎么整理数据，是应该把固体加了多少和加热方式也当作变量放入表格，然后纵向合并所有数据一起训练吗？

Answer 1

以下回复参考：皆我百晓生、券券喵儿等免费微信小程序作答:

对于LSTM时间序列的实验数据处理，您需要整理数据以适应模型训练的需求。以下是一些步骤和建议：

1. 数据整理:

   • 将固体加量和加热方式作为特征变量纳入数据集。
   • 纵向合并所有数据，确保每个时间步的数据都包含所需的特征变量。

2. 特征与标签:

   • 确定哪些列是特征（即输入变量，如固体加量、加热方式等）以及哪个是目标变量（即需要预测的值，如_1-3[CH3]）。
   • 通常在时间序列分析中，会使用过去的若干时间步的数据来预测下一个时间步的输出值，因此您需要根据_1-3[CH3]的前后关系来构造输入和输出数据。

3. 时间序列格式:

   • 将数据集转换为监督学习格式，这通常意味着需要将时间序列数据重塑为输入-输出对。
   • 例如，如果您使用过去的3个时间点来预测下1个时间点的值，那么您需要创建滑动窗口，每个窗口包含连续的4个时间点数据，前3个作为输入特征，第4个时间点的_1-3[CH3]作为标签。

4. 训练测试分割:

   • 在整理数据后，您需要将数据集分成训练集和测试集。
   • 保持时间序列的顺序，不要随机打乱时间步，以确保模型能够学习到时间依赖性。

5. 数据标准化:

   • 考虑到不同特征可能具有不同的尺度，进行数据标准化或归一化可以帮助模型更好地学习。
   • 可以选择适用于时间序列数据的标准化方法，例如z-score标准化或MinMaxScaler。

6. 编码类别变量:

   • 如果加热方式是类别型的，可能需要对其进行编码，例如使用独热编码(One-Hot Encoding)或标签编码(Label Encoding)。

7. 序列填充:

   • 如果数据中有缺失值，您需要决定如何填充它们，常见的方法有前向填充、后向填充或使用平均值填充。

8. 开始模型训练:

   • 一旦数据准备就绪，您可以开始构建LSTM模型并进行训练。
   • 在训练过程中，监视模型的性能并根据需要进行参数调整。

9. 模型评估:

   • 使用适当的评估指标来评价模型性能，如MAE（平均绝对误差）、MSE（均方误差）或MAPE（平均绝对百分比误差）等。

10. 结果解释:

    • 分析模型的预测结果，并尝试理解模型做出特定预测的原因。

请记住，每个时间序列分析问题都是独特的，这些步骤可能会根据具体情况有所不同。处理完数据后，您就可以使用这些数据来训练您的LSTM网络了。