好奇的問題：如何最好地處理時間滯後？我們有一個玻璃製造商客戶正在評估 JMP Pro。他有一個不尋常的（對我而言）數據集。我會對有關如何處理幾個問題的任何建議感興趣。
該過程包括將玻璃材料緩慢地送入幾個熔爐，在這些熔爐中監測各種溫度和氣流。溫度是從爐子的頂部到底部以及沿著爐子的長度測量的。每分鐘左右記錄一次溫度。
輸出是對玻璃的視覺檢查，尋找氣泡，因此它們具有每平方英寸計數類型的響應。這顯然是手工檢查，所以他們每四個小時才抽取一次樣品.他們的估計是，樣品可能會偏離測量的溫度長達 40 分鐘（樣品通過溫度傳感器的時間到離開爐子並被檢查的時間），儘管這對於沿長度的不同溫度測量站有所不同。爐子。
數據集最終變得非常廣泛（可能有 1000 列溫度和氣流速率。）還有數千行，但由於間歇性的 4 小時採樣，響應數據只有幾百行。它也很嘈雜，信號不時丟失，還有很多需要清理的缺失。
他們正在做 Pro 試用，所以他們立即跳到了 Model Screening 平台。訓練集可以提供相當高的 Rsqd（可能為 0.8 左右），但驗證非常低（可能為 0.2）。Neural Boosted 和 Boosted Tree 往往會出現在列表的頂部，但它們不足以構建有用的預測模型。
我認為他們需要解決輸入和輸出之間的時間滯後問題。他們需要為每個輸入創建一個新列，對測量的響應有適當的滯後（這可能會因列而異）。我可以看到如何手動執行此操作，但如果不編寫腳本，設置工作量會很大。有人知道更快的方法嗎？或者更好的是，如何實際確定每個信號的最佳延遲（同樣缺少腳本）？
過去有人處理過這個問題嗎？
謝謝！
回复：好奇的問題：如何最好地處理時間延遲？你好@JerryFish ,
我建立這個演示當我想像類似的情況時——來自未知滯後過程的連續傳感器數據流。 此演示中的解決方案是採用快速而骯髒的機器學習方法來找到最具預測性的滯後時間。
基本上，這個想法是為每個傳感器創建一系列滯後變量來覆蓋一系列滯後時間。 （現在使用新公式列 > 行中的滯後倍數...功能非常容易）。 然後使用 Bootstrap Forest 篩選這些延遲時間，這是響應的最佳預測指標。 您將使用此預測變量子集來構建“最終”模型——此時您可能會使用模型篩選。 我創建演示時還沒有模型篩選。
與更傳統的方法相比，這種方法有兩個優點。 1. 它快速而簡單。 2. 它可以發現預測變量和響應之間的非線性和交互作用。
我認為這是 JMP Pro 的一個很好的用例。 但是，當然，這並不意味著他們一定能夠建立一個有用的模型——所有這些傳感器可能都沒有測量重要的因素。
讓我知道通過這個示例進行討論是否會有所幫助。 不知道有沒有人有這個demo的錄音。 我知道我沒有。 但也許創建一個會有所幫助。
乾杯，
菲爾
回复：好奇的問題：如何最好地處理時間延遲？很好的建議@Phil_Kay ！我會把這個傳遞給客戶，看看它是否適合他。
而且（個人）我認為這種技術的記錄會對其他人非常有幫助。
真的很感謝這個建議！
傑瑞
