我正在使用时间序列温度预测进行研究Artificial Neural Networks，并且大多数参考文献在使用Min-Max Normalization technique. 训练和测试数据集都进行了标准化。输入值是特定日期的温度、露点、降水量、压力和风速值。
在测试集中我只有一个样本的情况下（比如我只有今天的天气属性来预测明天的温度），我该如何标准化这些值，因为每个属性都有相同的最小值和最大值？
PS 我已经给我使用的研究的作者发了电子邮件，但他们都没有回复，所以我想我会在这里寻求帮助：）
标准化以相同的方式在训练集和测试集上执行，因此您计算训练集的“边界”，并将其仅应用于测试集（您不应使用测试数据来计算这些边界，因为您应该假设在创建模型的那一刻，您不知道测试数据）。
您似乎在这里错过了机器学习的核心思想。您无法在一个样本上训练预测模型。样本数量是指您收集的一组观测值的大小，而不是提供给模型的数据量（因此，当您根据今天预测明天的温度时，这并不意味着您有一个样本，您需要有很多来自历史的样本，以便训练任何模型，特别是神经网络）。
因此，标准化问题在这里并不重要 - 因为您只需对整个历史集执行此操作，或者如果您知道每个属性可以实现的值的确切边界（例如 - 您正在测量温度摄氏度，所以它应该落入 [-20,40] 区间或更小的区间，如果你生活在世界的“较软”部分）。
标准化样本，就好像它在训练或测试数据集中一样。他们是你训练的范围，对吧？
通常，将有限/部分数据放入您可以处理/已训练处理的上下文中，将是从中获得有意义或经过验证的输出的唯一方法。
当然，您不应该完全局限于一个样本......因为您应该完全能够保留（和使用）前几天样本的历史记录。