在深度学习中处理时间序列预测时，如何有效表示时间特征是个关键问题。文章探讨了one-hot编码的不适用性，因为它无法捕捉到时间序列间的距离差异。接着提出使用数字表示，但这种方法无法准确反映23点与0点的接近性。为解决周期性问题，文章建议将时间转换为周期变量，如(cos(周期2π变量), sin(周期2π变量))，将时间点映射到二维平面上，以保留时间序列的周期性质。"
95639776,2084217,理解语音识别：从输入到识别,"['语音识别', '声学模型', '语言模型', '音频处理', '机器学习']
这几天对于时间序列的预测，需要时间这一特征值，月份，星期等等。对于这些时间序列特征需要怎么去刻画和表示嗯？
- one-hot方法
一个直观想到的方法就是one-hot法，但是仔细考虑一下，one-hot真的适合表示时间序列吗？
one-hot适用于的特征应该是分类特征，而且不同类别之间的距离是没有差别的，比如红黄蓝三种颜色，汉字等等用one-hot表示是很好的。但是对于时间序列，5点和6点跟18点之间的距离明显是不同的，所以用one-hot来度量的话，会损失非常多的信息。 - 数字表示
那么第二种能想到的方法就是用数字去表示，比如1代表1点，4代表4点等等，但是面临的一个问题就是23点明明和0点距离很近，但是用这种方法会导致23点和0点距离太远，造成一些误差。
造成上述误差的因素在于时间序列有周期性，比如一天的24小时，一周的7天等等，那么我们将其做一个转换，将其转换成周期变量即可
( c o s ( 2 π
最低0.47元/天 解锁文章
扫一扫
25万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
