问实时传感器数据的多类分类

EN

我想用加速度计来检测火车的方向。您可以通过手动设置阈值来检测x轴上的加速度方向(该方向将与列车驱动轴对齐)。

我仍然想用机器学习来解决这个问题，因为设置阈值需要相当长的时间。传感器数据必须在上下文中，否则就毫无用处。只有当你知道之前的n个传感器读数时，才能估计出驱动方向。

所以现在我可能可以使用RNN来创建这个上下文。我的想法是不使用RNN (因为它增加了复杂性)，只是在一个样本中放置了几个度量。它看起来像这样: accelX，accelY，accelZ，accelX1，accelY2，AccelZ2....AccelXn，AccelYn，AccelZn，label

我还测量了Y轴和Z轴，因为它们很重要，可以判断你是静止的还是仅仅平稳地行驶，没有太多的加速度(你在Z轴上有峰值，因为你在颠簸中行驶，在Y轴上有峰值)。

这些样品将被一个接一个地采集。这将创造出网络需要判断的上下文--样本要么停滞不前，要么在X轴上加速正，在X轴上加速负值，或者如果火车只是正常行驶。

在我的网被训练之后，我可以在我的网里测量、打包和喂入这些样本，最后得到一个分类。如果现在一个样本被归类为停止状态，接下来的一个样本被归类为accelerating+，那么现在我们将继续前进。如果一辆车停了下来，然后加速--跟着我，我就知道，我们现在开的是倒退。

我的数据集将是相当不平衡的，因为火车大多是在开车，而且在每个车站之后只加速一次。此外，我的数据集不会太大，因为我只能在火车上记录数据。

我想用角码来建立我的模型，因为它容易理解。

现在我的问题是：

• 你认为我的方法会成功吗？
• 你建议我采用什么样的建筑模型？
• 我应该手工分类我的样本，还是使用无监督的学习？
• 我是否还应该包括其他特性(数据的变化..)

谢谢你的帮助