好奇的问题：如何最好地处理时滞？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（对我来说）数据集。我会对有关如何处理几个问题中的任何一个的任何建议感兴趣。
该过程包括将玻璃材料缓慢送入多个熔炉，在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。大约每分钟记录一次温度。
输出是对玻璃的目视检查，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样本.他们的估计是样品可能与测量的温度相差最多 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），尽管这随着时间长度的不同温度测量站而变化炉子。
数据集最终非常宽（可能有 1000 列温度和气流速率）。还有数千行，但由于间歇性 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，并且必须清理大量缺失。
他们正在做Pro试用，所以他们立即跳转到了Model Screening平台。Training sets 可以给出相当高的 Rsqd（可能是 0.8 左右），但是 Validation 却很低（可能是 0.2）。Neural Boosted 和 Boosted Tree 往往会冒泡到列表的顶部，但它们还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，则需要进行大量设置工作。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滞后（同样缺少脚本）？
过去有人在任何地方处理过这个问题吗？
谢谢！
回复：好奇的问题：如何最好地处理时滞？极好的建议@Phil_凯！我会把它传递给客户，看看它是否适合他。
而且（个人）我认为记录这种技术对其他人非常有帮助。
非常感谢您的建议！
杰瑞
回复：好奇的问题：如何最好地处理时滞？你好@杰瑞鱼,
我创建这个演示当我想象类似的情况时——来自具有未知滞后的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以涵盖一定范围的滞后时间。 （现在使用新公式列 > 行中的 Lag Multiple... 功能非常容易）。 然后使用 Bootstrap Forest 筛选这些滞后时间，这是响应的最佳预测因子。 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。 当我创建演示时，模型筛选并不存在。
与更传统的方法相比，这种方法有两个优点。 1. 它既快速又简单。 2. 它可以找到预测变量和响应变量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因素。
让我知道讨论这个例子是否有帮助。 不知道有没有人有这个demo的录音。 我知道我不知道。 但也许创建一个会有所帮助。
干杯，
菲尔
