如何在分析中使用傳感器數據？在化學加工工業中，會捕獲大量傳感器數據（流量、液位、壓力、溫度等）。 該數據可以被描述為時間序列非平穩。 查看一個典型的模式，人們可能會發現一種趨勢模式（沒有季節性或很少 = 夏季/冬季或白天/黑夜），特別是在查看單調演變（例如結垢）時。 但通常候選特徵不會表現出趨勢模式（除非操作員使用該特徵進行補償）。如果您有一個可以通過某種測量來描述的工廠問題，那麼經常會出現這樣的問題：是哪個其他（一組）變量導致了這種情況？ 大多數分析工具，例如 PCA/LDA/隨機森林，都依賴於靜態數據。 我想避免嘗試創建狀態空間模型來補償非平穩情況。 或者，我可以執行雙指數平滑，但只有在我有明確的趨勢時才可用。
我的問題是：如何以這樣的方式轉換這些數據，以便我可以將其用於分析，例如 PCA（而不是使用小波 PCA）？
謝謝！
分析回复：如何在分析中使用傳感器數據？您可以訪問 JMP Pro 嗎？ 您描述的場景是為使用 Functional Data Explorer 平台和相關建模功能量身定制的。
回复：如何在分析中使用傳感器數據？不幸的是我沒有 JMP Pro
回复：如何在分析中使用傳感器數據？我假設您正在詢問如何轉換多元時間序列數據，以便您可以使用本維基頁面上所述的 PCA 進行分析主成分分析.
分析期望數據是從一個P維隨機變量中採樣的，有N個樣本。 對於分析來說，樣本的順序無關緊要，或者換句話說，它無關緊要。 在您的示例中，它不會關心是否固定。 同時，它不會阻止您提供此類數據，其中樣本的順序是有意義的。 如果決定忽略順序並從不同的角度查看數據，這也不會無關緊要。 試著把原始數據放進去，看看你可能會發現什麼，或者你可能從結果中得到什麼靈感。 PCA的主要應用是降維，例如從P維數據降維到Q維數據，其中Q遠小於P。 這樣，如果有意義的話，您已經在轉換數據以滿足您的需求。 此外，您沒有提到您嘗試過差分。 也許您應該嘗試一下，看看這種轉變對您是否有意義。
