时间不连续，可以用什么模型做预测

对于时间不连续的数据，可以考虑使用基于序列的模型，比如循环神经网络（RNN）、长短时记忆网络（LSTM）或者门控循环单元（GRU）等。这些模型可以对时间序列数据进行建模，通过学习时间序列数据中的模式和趋势，来进行预测。此外，也可以考虑使用卷积神经网络（CNN）或者自注意力机制（self-attention）等模型进行建模和预测。

相关问题

已知ARIMA模型和不连续的时间序列，怎样预测填充这些序列

对于不连续的时间序列，可以使用ARIMA模型进行预测和填充。ARIMA模型是一种常用的时间序列分析方法，可用于预测未来的数值。

首先，需要对不连续的时间序列进行处理，使其成为连续的时间序列。这可以通过插值或者其他方法来实现，以填补缺失的时间点。

然后，可以使用ARIMA模型进行预测。ARIMA模型包括自回归(AR)、差分(I)和移动平均(MA)三个部分。首先，需要确定合适的模型阶数，包括AR、差分和MA的阶数。可以使用自相关函数(ACF)和偏自相关函数(PACF)来选择合适的阶数。

接下来，可以使用已有的连续时间序列数据进行模型拟合，并得到模型参数。然后，可以使用该模型进行未来数值的预测。

最后，将预测结果填充回原始的不连续时间序列中缺失的位置。

需要注意，ARIMA模型在预测不连续时间序列时可能存在一些限制。如果不连续的时间序列中存在长期趋势、季节性或其他复杂特征，可能需要考虑其他更适合的模型或方法来处理和预测。

有限集模型预测控制与连续集模型预测控制

有限集模型预测控制 (Finite Set Model Predictive Control, FSPC) 和连续集模型预测控制 (Continuous Set Model Predictive Control, CSPC) 都是预测控制的方法，但它们的实现方式和应用场景有所不同。

FSPC 是一种针对离散化系统的预测控制方法，通过将连续时间系统离散化为有限个时间步长来进行控制。它的控制变量是在每个时间步长内的常数或离散值，可以用来控制离散化系统的状态和输出。FSPC 的优点是其计算速度快，且对模型的精度要求低，适用于实时控制和嵌入式系统等需要快速响应的场景。

CSPC 是一种针对连续时间系统的预测控制方法，通过将系统的状态和控制变量在连续时间上进行优化来进行控制。CSPC 的控制变量是连续函数，可以用来控制连续时间系统的状态和输出。CSPC 的优点是其对模型精度要求高，可以处理复杂的非线性系统，并且可以进行更加精细的预测和控制。

总之，FSPC 适用于离散化系统，计算速度快，对模型精度要求低；而 CSPC 适用于连续时间系统，对模型精度要求高，可以处理复杂的非线性系统。根据实际控制需求和系统特点，选择合适的预测控制方法可以提高控制效果和系统性能。