Python 预测中如何将静态特征与时间序列相结合
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被问到的问题: 我正在研究一个问题,即输出几个水井的累积产水量。我拥有的特征包括时间序列(随时间变化的水量和泵速)和静态(井深、井纬度和经度、含水带厚度等) 对于井#1,我的输入数据如下所示 动态数据:Python 预测中如何将静态特征与时间序列相结合,python,static,time-series,recurrent-neural-network,Python,Static,Time Series,Recurrent Neural Network,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被问到的问题: 我正在研究一个问题,即输出几个水井的累积产水量。我拥有的特征包括时间序列(随时间变化的水量和泵速)和静态(井深、井纬度和经度、含水带厚度等) 对于井#1,我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
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,如何构建一个既具有动态特性又具有静态特性的RNN模型(LSTM、GRU等)?有多种选择,您需要试验哪一种最适合您的情况 选项1:您可以将静态特征视为固定的时间数据。因此,为每个静态特性创建一个时间维度,并让LSTM处理其余的特性 例如,转换后的数据如下所示:
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] ---/
下面是一篇解释合并策略的文章:
下面是另一篇利用选项2的论文:
论文2的源代码: