好奇的问题：如何最好地处理时间滞后？我们有一个玻璃制造商客户正在评估 JMP Pro。他有一个不寻常的（对我而言）数据集。我会对有关如何处理几个问题的任何建议感兴趣。
该过程包括将玻璃材料缓慢地送入几个熔炉，在这些熔炉中监测各种温度和气流。温度是从炉子的顶部到底部以及沿着炉子的长度测量的。每分钟左右记录一次温度。
输出是对玻璃的视觉检查，寻找气泡，因此它们具有每平方英寸计数类型的响应。这显然是手工检查，所以他们每四个小时才抽取一次样品.他们的估计是，样品可能会偏离测量温度长达 40 分钟（样品通过温度传感器的时间到它离开炉子并被检查的时间），尽管这对于沿长度的不同温度测量站有所不同。炉子。
数据集最终变得非常广泛（可能有 1000 列温度和气流速率。）还有数千行，但由于间歇性的 4 小时采样，响应数据只有几百行。它也很嘈杂，信号不时丢失，还有很多需要清理的缺失。
他们正在做 Pro 试用，所以他们立即跳到了 Model Screening 平台。训练集可以提供相当高的 Rsqd（可能为 0.8 左右），但验证非常低（可能为 0.2）。Neural Boosted 和 Boosted Tree 往往会出现在列表的顶部，但它们不足以构建有用的预测模型。
我认为他们需要解决输入和输出之间的时间滞后问题。他们需要为每个输入创建一个新列，对测量的响应有适当的滞后（这可能会因列而异）。我可以看到如何手动执行此操作，但如果不编写脚本，设置工作量会很大。有人知道更快的方法吗？或者更好的是，如何实际确定每个信号的最佳延迟（同样缺少脚本）？
过去有人处理过这个问题吗？
谢谢！
回复：好奇的问题：如何最好地处理时间延迟？你好@JerryFish ,
我建立这个演示当我想象类似的情况时——来自未知滞后过程的连续传感器数据流。 此演示中的解决方案是采用快速而肮脏的机器学习方法来找到最具预测性的滞后时间。
基本上，这个想法是为每个传感器创建一系列滞后变量来覆盖一系列滞后时间。 （现在使用新公式列 > 行中的滞后倍数...功能非常容易）。 然后使用 Bootstrap Forest 筛选这些延迟时间，这是响应的最佳预测指标。 您将使用此预测变量子集来构建“最终”模型——此时您可能会使用模型筛选。 我创建演示时还没有模型筛选。
与更传统的方法相比，这种方法有两个优点。 1. 它快速而简单。 2. 它可以发现预测变量和响应之间的非线性和交互作用。
我认为这是 JMP Pro 的一个很好的用例。 但是，当然，这并不意味着他们一定能够建立一个有用的模型——所有这些传感器可能都没有测量重要的因素。
让我知道通过这个示例进行讨论是否会有所帮助。 不知道有没有人有这个demo的录音。 我知道我没有。 但也许创建一个会有所帮助。
干杯，
菲尔
回复：好奇的问题：如何最好地处理时间延迟？很好的建议@Phil_Kay ！我会把这个传递给客户，看看它是否适合他。
而且（个人）我认为这种技术的记录会对其他人非常有帮助。
真的很感谢这个建议！
杰瑞
