автоэнкодер многомерных временных рядов метаданных

Каков лучший/правильный способ предоставления метаинформации автоэнкодеру или любой модели прогнозирования временных рядов.

Пример

Предположим, у меня есть данные о машине, и я хочу обнаружить аномалии в компонентах автомобиля. Данные могут выглядеть следующим образом:

import pandas as pd
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras import layers
from tensorflow.keras.optimizers import Adam

car_data = pd.DataFrame({
    'engine_temperature': [50, 60, 70, 80, 85],
    'engine_pressure': [400, 450, 500, 550, 580],
    'engine_load': [70, 80, 90, 99, 99],
    'air_temperature_c': [25, 25, 25, 25, 25],
}, index=pd.date_range(start="2020-01-01", freq="1s", periods=5))

Где я хочу предсказать температуру и давление двигателя, но мне не важна нагрузка двигателя (насколько сильно осуществляется ускорение) или температура воздуха – эти данные являются входными для компонентов двигателя.

Я мог бы настроить базовый автоэнкодер и восстановить входные последовательности:

time_steps = 5
num_features = 4

autoencoder = Sequential()
# энкодер
autoencoder.add(layers.LSTM(10, activation='relu', input_shape=(time_steps, num_features), return_sequences=False))
autoencoder.add(layers.RepeatVector(time_steps))

# декодер
autoencoder.add(layers.LSTM(10, activation='relu', return_sequences=True))
autoencoder.add(layers.TimeDistributed(layers.Dense(num_features)))

autoencoder.compile(
    loss="mse", optimizer=Adam(clipvalue=0.001)
)

x_train = np.stack([car_data.values])

autoencoder.fit(x_train, x_train,
          epochs=50,
)

Но я восстанавливаю две переменные, которые меня не интересуют. Это стандартный подход, как я понимаю. Я только включаю их для улучшения точности автоэнкодера, я верю, что, например, для температуры двигателя она предсказывает текущую последовательность, используя все предоставленные переменные – температура воздуха важна для предсказания температуры двигателя.

Я мог бы предоставить в качестве входных данных все переменные, но восстановить только те переменные, которые меня интересуют, например:

engine_components = car_data[['engine_temperature', 'engine_pressure']]

y_train = [engine_components.values]
y_train = np.stack(x_train)

autoencoder.fit(x_train, y_train,
          epochs=50,
)

Но я не видел, чтобы кто-то использовал этот подход?

Вопросы

• Является ли это действительным подходом? Возможно, есть причина, по которой я не видел, чтобы кто-то другой его использовал.
• Есть ли лучший способ построить модель, где я могу указать зависимости между переменными? Например, сообщить, что одна переменная влияет на другую, но не наоборот? Это то, что я действительно хочу сделать.
• Существует ли лучший способ предоставить данные с низкой частотой (например, почасовая температура воздуха) модели с высокой частотой – например, данные о двигателе с интервалом в 1 секунду? Кажется неправильным, что одна переменная меняется только каждые 3600 строк (час в секундах), в то время как все остальные меняются в каждой строке.

Дополнение – на случай, если это сбивает с толку, но не стесняйтесь пропустить это

• Я использовал LSTM, но, я думаю, это не имеет значения для этого вопроса.
• Я не нормализовал данные – это было сделано, чтобы сократить пример.
• Эти данные похожи на те, что у меня есть, но у меня больше 50 миллиардов строк (и я могу получить больше), так что размер данных не проблема – не стесняйтесь предлагать методы, которые требуют много данных.
• Использована версия tensorflow==2.15.1.
• Я использовал tensorflow, но готов перейти на pytorch (или другие), если у вас есть решение в другой системе.