多维时间序列预测和单维时间序列预测的区别

多维时间序列预测和单维时间序列预测的区别在于数据的维度。单维时间序列预测是指只有一个变量随时间变化的情况，例如股票价格、气温等。而多维时间序列预测是指有多个变量随时间变化的情况，例如股票价格和交易量、多个城市的气温等。
在单维时间序列预测中，我们只需要考虑一个变量的历史数据和趋势来预测未来值。而在多维时间序列预测中，需要考虑多个变量之间的关系和影响，通常使用更复杂的模型来建立它们之间的关联，例如VAR（向量自回归）模型、VARMA（向量自回归移动平均）模型、VECM（向量误差修正模型）等。

相关问题

我现在的困扰是滑动预测数据追加需要计算特征值，他已经对预测产生很大影响，所以我在考虑是否将单维输出改为多维输出，但没有经验，不知效果如何

如果滑动预测数据追加需要计算特征值对预测产生很大影响，那么可以考虑使用多维输出的模型来解决这个问题。使用多维输出的模型可以将多个相关变量同时输入到模型中，这样可以在保证预测精度的同时，避免计算特征值对预测结果的影响。
具体来说，对于外汇小时级别预测这种任务，我们可以将多个相关变量同时输入到模型中，例如外汇价格、交易量、汇率等等。然后，将历史数据序列中的一段时间窗口作为一个整体输入到模型中，得到模型的输出多维向量。然后，将模型输出向量中的每个元素分别作为下一个时间步长的预测结果，将这些预测结果加入到历史数据序列中，再进行下一个时间步长的预测。通过这种方式，我们可以实现多步预测，并且不需要进行滑动特征值计算。
需要注意的是，使用多维输出的模型也有一些限制，例如需要有足够的相关变量来支持模型的训练和预测，模型的复杂度和计算量也会相应地增加。因此，在选择模型时，需要根据具体问题和数据特点来权衡单维输出和多维输出的优缺点。同时，还需要进行充分的实验和调参，以获得更好的预测精度和稳定性。

每一圈是时间序列数据 10圈一起就不是时间预测数据啦

如果您的时间序列数据是按照时间顺序排列的，每个时间点的数据都是对应的，那么就仍然是时间序列数据。即使您将多个时间序列数据合并成多维数组，仍然可以使用深度学习模型进行预测。
对于您的数据，可以将每个 Excel 文件看作一个时间序列，共有 10 个时间序列。将这 10 个时间序列按照时间顺序排列，得到一个 10 维的时间序列数据。对这个 10 维时间序列数据进行处理，可以使用类似于单维时间序列数据的方法进行模型建立、训练和预测。
需要注意的是，在进行模型训练和预测时，需要根据数据的特点进行适当的调整。比如，10 维时间序列数据可能存在较高的维度灾难问题，需要对模型结构进行优化；同时，由于数据中存在多个时间序列，需要考虑如何对不同时间序列之间的关系进行建模。