Python LSTM-将deltaTime用作功能？如何处理不规则的时间戳？

我试图创建一个用于数据序列分类的LSTM

我将使用的每个培训输入的数据结构是：

[[
[deltaX,deltaY,deltaTime],
[deltaX,deltaY,deltaTime],...
],class]

其中deltaX和deltaY反映了给定时间deltaTime内X和Y的变化。
deltaTime并非每次都相同，它可以从40毫秒到50毫秒，有时甚至1000毫秒不等。末尾的“类”是一个二进制分类，可以是0或1

问题1（常规LSTM）：如果我要使用基本LSTM（Keras LSTM），我是否应该将deltaTime作为功能输入

---

我知道LSTM有时间戳，但这些时间戳固定为一个给定的长度。我已经仔细研究了PhasedLSTM，但它们似乎更适合于2个周期性的时间框架，这两个时间框架发生了变化

---

我遇到的唯一适合我的是时间感知的LSTM

---

问题2（有时间意识的LSTM）：你会推荐他们解决我的问题吗？如果是：是否有keras实现，因为我以前没有使用tensorflow。

如果我理解正确，deltaTime是数据集中两个连续元素之间经过的时间间隔，对于不同的元素，Delta是不同的

一般来说，LSTM期望序列元素之间的持续时间具有一定的规律性。 所以，为了回答您的第一个问题：您可能应该这样做，因为它不是实时序列，所以您也可以尝试其他NN类型。“可能”，因为无论是否使用此功能，在检查测试集的精度时都会得到真正的答案

T-LSTM是一个模型（实际上是一个以不同方式修改您的训练集和训练需求LSTM的代码），它是针对与您完全相同的情况提出的。它已经两年没有更新了，可能需要进行一些修改以支持TF2。 Keras本身就是高端API，运行在包括TensorFlow在内的多个框架之上。您可以使用它并通过它运行任何TF功能，尽管我建议使用TF.keras

---

作为旁注，我建议你的问题看一下时滞神经网络。TDNN是在TensorFlow、PyTorch和许多其他框架中实现的。

鉴于您的输出只是一个二进制变量，我不确定是否值得在这个问题上投入那么多技术机器

有两种选择：

将数据转换为一组定期采样的

x，y

坐标。只需选择一组“好”的时间，并适当地插值位置变化（三角函数将是最简单的，或者你可以做线性的，或者更具体的问题）。然后，您可以将此工程功能用于更多型号，如简单的CNN

高斯过程回归将直接处理这类数据，但与神经网络模型的类型截然不同

---

谢谢你的回答！看来TDNN就是我要找的！尽管我在TensorFlow和PyTorch中都找不到任何正式的实现。你能提供一个链接吗？在1。您建议使用其他类型的NN-您是否仅指TDNN？您还建议使用哪些其他类型？pytorch有几种流行的实现（不是官方的，但众所周知）：还有更新的。至于TensorFlow，你可以使用1-d CNN和stride 1。查看艾伦·洛克特的解释：谢谢你的回答！虽然这不是我想要的。1.会操纵数据。只有当deltaX，Y仅依赖于deltaTime时，这才有效。高斯过程回归可以将这两个类分开，尽管它无法学会依靠特征上下文进行分离。