我正在与一家公司合作，开发用于预测性维护的ML模型。我们的数据是一系列的日志文件。在每个日志文件中，我们有来自传感器的时间序列（温度、压力、MototSpeed......）和一个记录故障发生的变量。这里的目的是建立一个模型，使用日志文件作为输入（时间序列），并预测是否会出现故障。为此，我有一些问题：1）能够做到这一点的最佳模型是什么？2）处理不平衡数据的解决方案是什么？事实上，对于某种失败，我们没有足够的数据。我尝试将时间序列转化为固定长度的子时间序列后，使用LSTM构建一个RNN分类器。目标是如果有故障则为1，如果没有则为0。与0的数量相比，1的数量可以忽略不计。结果，模型总是预测为0，请问有什么解决办法？
Mohamed，对于这个问题，你实际上可以从传统的ML模型开始（随机森林，lightGBM，或任何类似的性质）。我建议你专注于你的特征。比如你提到的压力，MototSpeed。看一些时间窗口的回溯。计算同一窗口中的移动平均数，最小最大值，st.dev。要解决这个问题，你需要有一套健康的功能。看看featuretools包。你可以使用它或者得到一些想法，使用时间序列数据可以创建什么特征。回到你的问题上。
1）能够做到这一点的最佳模型是什么？传统的ML方法，如上所述。你也可以使用深度学习模型，但我会先从简单的模型开始。另外如果你没有很多数据，我可能不会碰RNN模型。
2）处理不平衡数据的解决方案是什么？你可能想对数据进行过采样或欠采样。对于过采样，请看SMOTE包。
祝您好运