Pregunta:
He estado leyendo un poco sobre LSTM y su uso para series temporales y ha sido interesante pero difícil al mismo tiempo. Una cosa que he tenido dificultades para entender es el enfoque para agregar características adicionales a lo que ya es una lista de características de series temporales. Suponiendo que tiene su conjunto de datos así:
t-3, t-2, t-1, Salida
Ahora digamos que sabe que tiene una función que afecta la salida, pero no es necesariamente una función de serie temporal, digamos que es el clima exterior. ¿Es esto algo que simplemente puede agregar y el LSTM podrá distinguir cuál es el aspecto de la serie temporal y cuál no lo es?
Respuesta:
No creo que la gente haya descubierto una forma realmente buena de combinar información no secuencial con información de series temporales en un LSTM. Sin embargo, hay algunas cosas que puedes hacer. Una es simplemente alimentar su información que no es de secuencia en cada paso de tiempo, aunque sea constante a lo largo del tiempo. Consulte este artículo de Mikolov y Zweig en el que aportan información sobre el tema en cada paso de tiempo de un modelo de lenguaje.