我是时间序列机器学习的新手，可能有一个微不足道的问题。
我想预测特定地区的温度。我可以使用一周前 6 天的每小时数据点来训练模型，然后在最后一天评估其性能。因此，训练集将有 144 个数据点 (6*24)，而测试集将有 24 个数据点 (24*1)。同样，我可以为区域 BZ 训练一个新模型并评估它们的每一个表现。我的问题是，您能否为跨多个不同区域的预测训练一个单一模型？所以区域标签当然应该是一个输入，因为这会影响温度的演变。
你能训练一个模型来预测多个轨迹，而不仅仅是一个吗？此外，什么可能是评估其性能的好指标？我打算使用平均绝对误差，但也许相关性更好？
是的，您可以使用来自不同区域的多个系列数据进行训练，您提出的问题是深度学习的最终目标，方法是创建一个模型来做所有事情，正确预测每个区域等等。但是，如果你想泛化你的模型，你通常需要一个非常大的模型，我说的是 100M++ 参数，并且为了训练这些数据，你还需要大量的数据，可能是 TB 或 PB，所以你还需要一个超级强大的计算机来训练诸如 GOOGLE 数据中心之类的东西。谈到您的下一个问题，即度量标准，您可以只使用简单的 RMS 误差或平均绝对误差就可以正常工作。
这就是你需要关注的训练数据，没有超级模型可以把垃圾变成黄金，同样的事情是垃圾中的垃圾。你需要一个非常好的数据集，可以代表你试图解决的整个环境。例如，您想创建模型来预测如果您锤击玻璃会破裂，因此您可能有每种玻璃的 10 个数据，并且当您锤击它时所有这些数据都会破裂。所以，你训练模型，它每次都预测破裂，然后你尝试用防弹玻璃预测它并没有破裂，所以你的模型是错误的。因此，您需要不同类型玻璃的完整数据，然后您的模型可能会正确预测它。然后将其与您的 144 个数据点进行比较，我很确定它不适用于您的情况。
因此，我会说是的，您可以构建适合所有人的模型，但要付出巨大的代价。