我正处于一个更大的项目的起点，以识别时间序列中的常见模式。
目的是自动找到时间序列中的分割点，以将序列分为常用模式。 （稍后，我想根据分割点来分割时间序列，以在两者之间独立使用时间序列。）
一个时间序列包括：
n个基于固定时间间隔的数据序列作为输入
x轴表示从0到m的间隔索引
y轴表示特定时间序列的值
例如，它可能看起来像这样：
pos_x,pos_y,pos_z,force_x,force_y,force_z,speed,is_split_point
2, 3, 4, 0.4232, 0.4432, 0, 0.6, false
2, 3, 4, 0.4232, 0.4432, 0, 0.6, false
2, 3, 4, 0.4232, 0.4432, 0, 0.6, true
我最好的选择是使用机器学习解决此问题，因为我需要一种通用的方法来预先基于用户选择来检测模式。
因此，我有很多带标签的数据，其中分割点已经由用户手动设置。
目前，我有两个想法可以解决此问题：
分析标记数据中拆分点周围的数据，以得出不同数据维度之间的相关性，并将其用作未标记数据上的新功能。
分析两个关键帧之间的模式以在未标记的数据中找到相似的模式。
我更喜欢1.，因为我认为找出定义分割点的位置更重要。
我很好奇神经网络是否非常适合此任务？
我问的问题不是要解决这个问题，我只想对此有第二意见。我对机器学习还比较陌生，这就是为什么为这个问题找到一个好的起点有点不知所措。我对可以解决此问题并能为我提供良好起点的任何想法，技术和有用资源感到非常满意。
最佳答案
哇，真是个大疑问。
实际上，我也有一些想法要给您，其中一些已经过测试，并针对与我遇到的异常事件有关的基于时间的不同问题进行了研究。
首先，无论您将使用哪种解决方案，分析数据始终是一种更好地理解问题的好方法。这样，您可以确保不向模型提供垃圾。用于分析的工具可以是截断的过去窗口中的峰，导数等。
然后，您可以使用t-sne绘制数据，并查看数据中是否存在某种分隔。
但是，仅使用神经网络可能会出现问题，因为您的拆分点数量很少，非拆分点数量很多。
您可以使用LSTM并在多对一配置中训练它们，在其中创建平衡数量的正例和负例。 LSTM将帮助您克服示例的不同长度，并为时域赋予更多含义。
朝这个方向前进，您可以使用截断的过去并以is_split_point作为标签作为示例，并通过平衡地提取样本来使用i.i.d模型。 DNNS也可以在该配置中使用。
以上所有都是我发现有用的实验方法。
希望对您有所帮助。祝好运！
关于machine-learning - 根据标记的数据找到分割n维时间序列的点，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/49513509/