Tensorflow如何高效处理窗口时间序列数据？

本文共计1275个文字，预计阅读时间需要6分钟。

原文的简写如下：

本文主要目标是构建特定长度的时序序列RNN网络，进行训练和测试集的练习。使用Tensorflow处理时间序列数据，数据集简介来自KaggleUbiquant Market Prediction，描述了多个投资项目在一个时间序列上的表现。

本文的主要目标是构建特定长度的时间序列RNN网络训练和测试集。 Tensorflow 时间序列数据的处理 数据集简介

数据来源：KaggleUbiquant Market Prediction

数据集描述了多个投资项目在一个时间序列下的300个匿名特征（"f_0"至"f_299"）以及一个目标特征（"target"）。要求根据后续时间节点的匿名特征预测目标特征。

本文的主要目标是构建特定长度的时间序列RNN网络训练和测试集。

训练集和验证集、测试集的划分

由于给出的要求是预测后续时间点的目标特征，模型的建立是基于过去的模式在将来依然存在。因此，对于这样的模型，跨时间划分训练集、验证集和测试集是合理的。数据集中给出了时间序号（"time_id"）从0开始至1219，共计3141410条。取其中百分之二作为测试集，从时间序号1201至1219。

窗口序列数据的获取和应用

解决该问题的思路很简单。将该数据集中各投资项目视为独立的时间序列，可以先根据investment_id划分数据集，再在划分后的数据集上分别通过滑动窗口的方法获取定长的时间序列数据。