我是时间序列机器学习的新手，有一个可能有些简单的问题。

我想预测某个特定区域的温度。我可以使用一周前六天的每小时数据点来训练一个模型，然后在最后一天下评估其性能。因此，训练集将有144个数据点（6*24），测试集将有24个数据点（24*1）。同样，我可以为B-Z区域训练新的模型，并评估每个区域的个别表现。我的问题是，能否训练一个单一模型来预测多个不同区域的温度？当然，区域标签应该作为输入，因为它会影响温度的变化。

您能否训练一个单一模型来预测多个轨迹的温度，而不仅仅是一个？另外，评估其性能的良好指标是什么？我原本打算使用平均绝对误差，但也许相关性更好？

回答：

是的，您可以使用来自不同区域的多个数据系列进行训练，您提出的问题是深度学习的终极目标，即创建一个模型来做所有事情，正确预测每个区域等等。然而，如果您想使模型如此通用，通常需要一个非常庞大的模型，我说的是1亿多个参数，并且要训练这些数据，您还需要大量的数据，可能需要几TB或PB的数据，因此您还需要一个超级强大的计算机来训练它，比如谷歌数据中心。关于您的下一个问题，评估指标，您可以使用简单的均方根误差或平均绝对误差，这些都会很好地工作。

您需要关注的是训练数据，没有超级模型可以将垃圾变成黄金，这里也是如此，垃圾进，垃圾出。您需要一个能够代表您试图解决的整个环境的相当好的数据集。例如，您想创建一个模型来预测如果用锤子敲击玻璃，它是否会破裂，那么您可能有每种玻璃10个数据，并且所有这些在您敲击时都破裂了。因此，您训练模型，它每次都预测破裂，然后您尝试用防弹玻璃进行预测，它没有破裂，所以您的模型是错误的。因此，您需要不同类型玻璃的完整数据集，然后您的模型可能会正确预测。将此与您的144个数据点进行比较，我很确定这对您的案例不起作用。

因此，我会说，是的，您可以构建一个适合所有情况的单一模型，但需要付出巨大的代价。