datetime 像 one-hot-encoding 或其他类似的东西编码 one-hot-vector 是否有意义答案

【问题标题】：Does it make sense that datetime encodes one-hot-vector like one-hot-encoding or something else likedatetime 像 one-hot-encoding 或其他类似的东西编码 one-hot-vector 是否有意义
【发布时间】：2018-07-10 02:50:51
【问题描述】：

我是机器学习和深度学习的新手。我想解决时间序列问题，它每秒都有数据。另外，我最近一直在研究 word2vector 和时间序列数据。有一天，我想出了一个想法，将日期时间等序列数据转换为 one-hot-encoding？

    time
2017-11-01 00:00:01
2017-11-01 00:00:02
2017-11-01 00:00:03
2017-11-01 00:00:04
.
.
.

我的想法有一些限制，如下所示，

学习维度太高（1 天 = 60* 60 * 24 = 86400(s)）
无限时间 - 即使是现在，每一刻都会产生时间
秒之间的差异太小，无法学习

我希望您确定我在上面所说的关于限制的内容。另外，我希望你能给我一些想法，将时间序列数据开发成用于机器学习和深度学习的单一热向量？ + 你怎么看这个想法？

【问题讨论】：

这个问题最好在Data Science或Cross Validated提出
@Imran 谢谢！我去那里问
为什么要编码时间？你在预测时间戳吗？您是否将时间戳作为输入？一般时序数据是按时间戳顺序依次输入的
@UmangGupta 是的，我也尝试将时间戳作为输入，因为我认为该时间不仅会受到先前数据的影响，还会受到先前“时间”数据的影响。
我不确定这是否有意义。基本上，你试图暗示你的模型是非平稳的（即它在不同的时间是不同的？）在这种情况下，我怀疑即使提供时间戳也会有所帮助。

标签： python machine-learning deep-learning word2vec one-hot-encoding

【解决方案1】：

不，每秒一次热编码没有意义。正如您所提到的，特征向量是高维的方式。更糟糕的是：特征向量非常稀疏。

相反，您可以：

按天分组：一年的 365 个功能。
添加is_weekday、is_workday、is_saturday、is_morning、is_afternoon 等功能 - 这取决于您的问题中什么是重要的！
也许您也可以使用 Unix 时间添加一项功能，但请进行标准化（平均减法，除以预期值范围）。

【讨论】：

嗯...那么，如果您添加带有标准化的 Unix 时间，模型是否确定时间之间的差异？正如我所提到的，我担心微小的差异会使学习变得混乱。
另外，如果我想关心第二数据，我可以添加哪些功能？你提到的事情也被考虑了，但对我来说仍然是一个很大的规模。告诉我我的看法是否有问题
如果没有更具体的问题描述，我无法给您更好的答案。我怀疑第二个问题
让我根据您的建议提出一个问题。具有日期特征的数据，is_morning，is_weekday。例如，假设今天是今年的第 31 天，早上和星期三。向量应该是二进制的，例如 [1, 0, ... 0, 1(morning), 1(weekdays) 还是介于 0~1 之间的值，例如 [0.9, 0.1, ... , 1, 1]？
虽然我可以看到is_morining 是如何连续的，但我看不到is_weekday。什么会映射到is_weekday=0.9？