python cnn 时间序列_CNN卷积神经网络如何处理一维时间序列数据？

何时应用 1D CNN？

CNN 可以很好地识别出数据中的简单模式，然后使用这些简单模式在更高级的层中生成更复杂的模式。当你希望从整体数据集中较短的(固定长度，即kernal size)片段中获得感兴趣特征，并且该特性在该数据片段中的位置不具有高度相关性时，1D CNN 是非常有效的。

1D CNN 可以很好地应用于传感器数据的时间序列分析(比如陀螺仪或加速度计数据)；同样也可以很好地用于分析具有固定长度周期的信号数据(比如音频信号)。此外，它还能应用于自然语言处理的任务(由于单词的接近性可能并不总是一个可训练模式的好指标，因此 LSTM 网络在 NLP 中的应用更有前途)。

1D CNN 和 2D CNN 之间有什么区别？

无论是一维、二维还是三维，卷积神经网络(CNNs)都具有相同的特点和相同的处理方法。关键区别在于输入数据的维数以及特征检测器(或滤波器)如何在数据之间滑动：

问题描述

在本文中，我们将专注于基于时间片的加速度传感器数据的处理，这些数据来自于用户的腰带式智能手机设备。基于 x、y 和 z 轴的加速度计数据，1D CNN 用来预测用户正在进行的活动类型(比如“步行”、“慢跑”或“站立”)。

来自加速度计数据的时间序列样例

如何在 Python 中构造一个 1D CNN？

目前已经有许多标准 CNN 模型可用。我选择了 Keras 网站 上描述的一个模型，并对它进行了微调，以适应前面描述的问题。下面的图片对构建的模型进行一个高级概述。其中每一层都将会进一步加以解释。