Machine learning 解决数据集基于时间的预测问题？

如果数据集是基于时间的，但不一定是数据，那么如何解决机器学习问题呢

比如说本科学位。每年都有一批新的学生进来，他们花4年时间，然后带着一个班毕业。因此，一个数据集将由一批（在某一特定年份注册的）数据组成，这些数据跨越4年。我们有很多这样的数据集，相当于本科课程的批次数（那些在20152016注册的学生，…等等）

问题在于，当新一批学生首次进入大学时，利用背景数据预测他们的毕业班，并在他们继续攻读学位时改进预测。为每个批次（数据集）标识的模式可能是唯一的，也可能不是唯一的。需要做的是，对于每个数据集，可以识别模式，并且可以使用随时间（批次）一致的模式预测新批次

---

传统的时间序列分析在这里似乎并不直接适用。感谢您在正确路径上提供的任何帮助或指导。

您只是说“因此单个数据集将由单个批次的数据组成”。您的实际数据是什么？对于该批次（录取）的每个学生，这些数据将包含高中平均成绩、性别、居住地区、每年在大学完成的科目成绩以及最终以他/她毕业生为输出的班级等数据