Tensorflow 训练时间序列数据的最佳机器学习模型是什么？[不是预测]

我有一组属于5个不同类别的时间序列数据。[EEG数据（1个数据点1秒钟）。这些数据被划分为30-40秒的历元，每个历元被划分为不同的类别，如A、B、C、D、E]。所以基本上我有大约13500个标签数据

[10,5,48,75,1,...,22,45,8] = A
[26,47,8,77,4,...,56,88,96] = B  like wise

---

我所做的是直接将这些数据输入神经网络，并训练模型。但准确率很低，约为40%。我们想知道的不是仅仅使用神经网络，而是训练时间序列数据的最佳模型是什么

在时间序列数据的情况下，某些体系结构的性能相当好：

• 递归神经网络（以LSTM、GRU或BERT为例），设计用于对数据序列进行训练

这可以是一个例子：

内部工作原理：

keras中的示例实现： ，然后您应该找到/设计自己的体系结构

• TCN，它使用因果卷积和扩展卷积来捕获时间序列数据

例如：

工作原理：

在keras的实施：

我个人会选择那些类型的架构，非常适合时间序列数据