Depende mucho de cómo modeles los datos, pero haré dos suposiciones. Llamaremos a [math] x_t [/ math] la entrada en el tiempo [math] t [/ math] y [math] y_t [/ math] la salida en el tiempo [math] t [/ math].
- La predicción para [math] y_ {t + 1} [/ math] depende de [math] y_ {s}, x_ {s}, s \ leq t [/ math] (donde consideramos [math] y_ {s} [/ math] como nulo donde no se ha muestreado, y llamaremos a cada medición sucesiva de [math] x [/ math] el paso de tiempo.
- Solo nos interesa la predicción de [math] y_t [/ math] donde [math] t [/ math] se ha muestreado a 2 Hz.
Bajo estos supuestos, podría configurar, por ejemplo, una red neuronal para la predicción con bastante facilidad (mencionado como esa es una de las etiquetas de la pregunta).
La segunda suposición hace que sea mucho más fácil tratar (y deja en claro que solo se trata de valores medidos [matemáticos] y [/ matemáticos]). Si prefiere predecir [matemática] y [/ matemática] a 10 Hz, tendrá que hacer algún tipo de interpolación, o usar un modelo de espacio de estado (análisis clásico de series de tiempo), o algo más, dependiendo de cómo lo haga mejor. Quiero predecir esto. Necesitaría más información antes de poder ayudarte más.
- ¿Cuál es una buena distribución para usar para simular un conjunto de entrenamiento para la clasificación supervisada?
- ¿Hay aplicaciones de IA en adquisiciones?
- ¿Cuándo harán las máquinas la física y volverán a aprender las características de los datos de observación y luego reemplazarán aquellas como masa, giro, color o carga?
- ¿Cuáles son los consejos para aprender el aprendizaje automático?
- ¿Cuáles son las configuraciones adecuadas para la agrupación de documentos con K-means?
También es un problema interesante si cambia las entradas y las salidas. Una forma de verlo es buscar intervenciones en una submuestra de la serie de tiempo muestreada … no siempre es la mejor manera de hacerlo, pero a veces es práctico.
Debo decir que hay otras suposiciones que uno podría hacer. Podría, si de alguna manera tuvo la predicción de la entrada para un tiempo determinado, un poco antes de una salida, predecir la salida en ese momento. Eso es claramente imposible, así que ofreceré una forma diferente de verlo: si viste tanto las series de entrada como las de salida como series de tiempo regulares, y pudiste mostrar que la entrada tuvo un efecto significativo en la salida, simplemente predice la entrada en un determinado tiempo y luego predecir la salida de la predicción. Esto puede ser peligroso si sus suposiciones son incorrectas, pero también podría ayudar. O podría usar un modelo de función de transferencia.
Para algunos métodos, le resultará más fácil usar las mediciones de 2 Hz para ambas series, aunque está perdiendo información (pero posiblemente, posiblemente, no mucho, dependiendo de cómo sea la estructura de dependencia).
Si puede aclarar sus objetivos y necesidades exactas, y el método general de enfoque que prefiere, puedo ayudarlo un poco más.
