Machine learning 哪种（机器学习）方法可以识别多元时间序列中不稳定的三维运动结构？

让我们假设我有温度、风速、气压、湿度等的局部测量，以时间序列的形式，这是我从世界上所知道的全部。不时有龙卷风掠过我的探测器

因为龙卷风不仅仅是一种随机现象，还有一种模式，训练有素的眼睛可以在时间序列中识别出来。。。温度、风速等的一些变化以某种方式相互关联，并伴随着不可预测的波动

我想用某种自动的方法来识别时间序列中的间隔，它对应于我的探测器“看到”龙卷风的时间

哪种机器学习方法更适合识别它们，并给出相应的“可靠性系数”

请注意，由于龙卷风是一个固有的不稳定物体，并且以某种不稳定的方式移动，因此探测器并不总能看到相同的温度、风速等变化，因为龙卷风可以在探测器上来回移动，局部改变其形状等。我想我想说的是，时间序列测量值与龙卷风“静止帧”中可以绘制的这些量的实际空间分布不一致。然而，它总是看到“某种”相同的特征，周围有一些随机性，只有我的眼睛才能识别，这使我认为这是一项适合ML的任务

---

其他问题：是否有一个python ML库可以实现推荐的方法？（PyBrain，Scikit？…？）

在数据上移动窗口时，可能会提取一些时间序列特征，手动将某些事件标记为龙卷风发生的积极示例，并将其余样本视为消极示例，然后安装分类器，将积极龙卷风事件与传感器测量的随机天气条件区分开来

您的数据中有多少这样的事件？如果你认为你需要至少100次龙卷风事件，才能训练出一个足够可靠的模型，并对其预测精度有足够好的估计

---

将公开分发此数据集，例如在？

上有各种各样的机器学习算法。您提供的信息表明，在没有进一步调查的情况下，任何一组算法都不具有优越性。扩展的时间序列确实表明，您可能需要一种算法来创建减少的特征向量。神经网络不会自动为您提供可靠性系数。如果您愿意公开分发一个包含数百个随机正反示例的数据集，那么随着时间的推移，可能会有许多不同的组应用不同的算法。各种“竞赛”网站的存在将加速这一进程

我同意这是一条路要走。你可以很容易地将神经网络应用于这个问题。如果OP是机器学习新手，If会建议他/她从其他模型开始，如惩罚线性分类器（例如线性支持向量机或逻辑回归）、支持向量机或随机森林。这些模型比神经网络更易于正确使用（网格搜索的超参数更少）。尽管逻辑回归、支持向量机和神经网络都需要输入缩放（例如，到[0-1]范围），但要小心。使用随机林时，不需要输入缩放（两者都不会造成伤害）。