您的功能请求是否与问题相关？请描述。
Uber/Ludwig希望增强对时间序列建模和分析的支持。虽然已经有许多现有的时间序列可供下载，例如在Ludwig TS示例中使用的洛杉矶天气档案，但作为一个用于使用Ludwig进行TS分析的测试床的“自包含”的Ludwig应用程序将提供许多好处，包括各种工具和方法的比较。
描述使用案例
对于此功能的清晰简洁的使用案例描述。
将用户可配置的时间序列集成到与Ludwig的各种TS工具和方法(如排序)相结合的Ludwig中。
描述您希望的解决方案
我已经开发了基于Mackey-Glass equation的Python代码，该代码支持创建任何长度和配置的模拟(也称为“合成”)时间序列(例如，具有用户定义预测期的多元变量)。MG时间序列旨在是混沌的，因此是TS分析和预测的具有挑战性的测试床，因此应支持创建稳健的解决方案。我愿意贡献我的代码并/或支持Uber工作人员将其纳入Ludwig。
描述您考虑过的替代方案
将Ludwig与加州大学欧文分校的机器学习Repository集成，其中包括来自世界各地的超过100个时间序列。
附加上下文
提议的应用还可以用于支持新Ludwig TS工具和方法的开发和测试。
2条答案
按热度按时间vmpqdwk31#
感谢@DLWCMD提出的这个功能请求。目前，当我们为时间序列生成合成数据集时，我们只使用随机值(因为意图只是测试端到端是否正常工作，而不是测试性能),而你所建议的听起来是一个很好的改进！
你是否有兴趣帮助实现这个？我们可以提供指导；)
0mkxixxg2#
收到你的来信，是的，我愿意提供帮助。我一直在研究Mackey-Glass(MG)方程，并从它们生成序列和时间序列。使用这些方程的一个好处是，通过改变方程参数，可以改变“混沌”的程度，即建模和预测相关时间序列的挑战。我有一些例子说明了MG可能如何使用，我很乐意与你分享。再次感谢你的回复。我要说的是，我对Ludwig印象深刻，我曾向我的儿子推荐它，他曾在约翰霍普金斯应用物理实验室从事机器学习和人工智能工作。我喜欢它的功能范围，从基本情况下无需编码，到通过使用Python特性进行扩展。期待尽快与你交流。
David L. Wilt
3272 Bayou Road
Longboat Key FL 34228
dwilt1947@gmail.com
540-420-0844
发件人：Piero Molino notifications@github.com
回复地址：uber/ludwig reply@reply.github.com
日期：2020年11月2日 晚上9点06分
收件人：uber/ludwig ludwig@noreply.github.com
抄送：DLWCMD dwilt1947@gmail.com, Mention mention@noreply.github.com
主题：关于[uber/ludwig]合成时间序列数据 (#974)的回复
感谢DLWCMD提出的这个功能请求。目前我们为时间序列生成合成数据集时只是使用随机值(因为目的仅仅是测试端到端是否正常工作，而不是测试性能),你提出的建议听起来是一个很好的改进！你对此有兴趣帮忙实现吗？我们可以在需要时提供指导；)——由于你被提及，所以你收到这封邮件。直接回复此邮件，查看GitHub上的邮件，或者退订。