Существует ли готовая архитектура модели, которая принимает на вход подобный формат данных?
По вводным: есть ли готовая архитектура модели, которая принимает на вход глобальную историю движения точек объекта и список кандидатов куда может переместиться объект, а на выходе кандидат со списком куда перемещаются точки.
Пример:
ВХОД ИСТОРИЯ+КАНДИДАТЫ
По вводным: === NN INPUT: HISTORY (T=5) for inst=27 ===
T[0] ts=401 | dots=92
По вводным: dot 2225: [16.6578, 0.3088, 5.2734]
По вводным: dot 2366: [15.1963, 0.6220, 6.7729]
... (+90 dots)
T[1] ts=402 | dots=92
По вводным: dot 2225: [15.7024, 0.3880, 5.6997]
По вводным: dot 2366: [14.3823, 0.7336, 7.3185]
... (+90 dots)
T[2] ts=403 | dots=92
По вводным: dot 2225: [14.7307, 0.4984, 6.1551]
По вводным: dot 2366: [13.5679, 0.8722, 7.8844]
... (+90 dots)
T[3] ts=404 | dots=92
По вводным: dot 2225: [13.7073, 0.5260, 6.5930]
По вводным: dot 2366: [12.7347, 0.8968, 8.4367]
... (+90 dots)
T[4] ts=405 | dots=92
По вводным: dot 2225: [12.7240, 0.5125, 7.1399]
По вводным: dot 2366: [11.9244, 0.8877, 9.0641]
... (+90 dots)
По вводным: === CANDIDATES (K=10) in GLOBAL at t0+1 ===
Cand 1: 92 dots
По вводным: dot 2225: [12.8000, 0.2000, 8.6200]
По вводным: dot 2366: [11.6500, 0.7000, 10.3300]
... (+90 dots)
Cand 2: 92 dots
По вводным: dot 2225: [12.8700, 0.0500, 8.7000]
По вводным: dot 2366: [11.6600, 0.6600, 10.3200]
... (+90 dots)
Cand 3: 92 dots
По вводным: dot 2225: [12.6700, 0.3900, 8.4800]
По вводным: dot 2366: [11.6100, 0.7800, 10.2800]
... (+90 dots)
Cand 4: 92 dots
По вводным: dot 2225: [12.2000, 0.4500, 8.2100]
По вводным: dot 2366: [11.3600, 0.7700, 10.1200]
... (+90 dots)
Cand 5: 92 dots
По вводным: dot 2225: [12.6900, 0.0100, 8.6100]
По вводным: dot 2366: [11.5800, 0.5700, 10.3200]
... (+90 dots)
Cand 6: 92 dots
По вводным: dot 2225: [12.7200, 0.5300, 7.1400]
По вводным: dot 2366: [11.9100, 0.8100, 9.0700]
... (+90 dots)
Cand 7: 92 dots
По вводным: dot 2225: [11.4900, 0.3300, 7.3700]
По вводным: dot 2366: [11.0300, 0.7200, 9.4000]
... (+90 dots)
Cand 8: 92 dots
По вводным: dot 2225: [11.6200, 0.3900, 7.3200]
По вводным: dot 2366: [11.1300, 0.8500, 9.3300]
... (+90 dots)
Cand 9: 92 dots
По вводным: dot 2225: [12.1100, 0.5500, 8.1900]
По вводным: dot 2366: [11.2900, 0.9400, 10.1000]
... (+90 dots)
Cand 10: 92 dots
По вводным: dot 2225: [11.8600, 0.5900, 7.8500]
По вводным: dot 2366: [11.2300, 1.0500, 9.8300]
... (+90 dots)
По вводным: вЫХОД: ОДИН ИЗ КАНДИДАТОВ
По вводным: === CHOSEN CANDIDATE (GLOBAL at t0+1) ===
По вводным: dot 2225: [11.8600, 0.5900, 7.8500]
По вводным: dot 2366: [11.2300, 1.0500, 9.8300]
... (+90 dots)
Опишите проблему, и специалист поможет с настройкой, исправлением ошибки или доработкой сайта. Подберём понятный план работ без лишней переписки.
Пока нет других ответов. Будьте первым, кто поможет автору.
Ответить на вопрос
Готовая архитектура модели зависит от формата данных: табличные признаки, временные ряды, последовательности событий, графы, текст, изображения или смешанный формат. Универсальной модели “для любого подобного формата” нет, но почти всегда можно выбрать базовый класс архитектур.
Если данные табличные — начните не с нейросети, а с градиентного бустинга: CatBoost, LightGBM, XGBoost. Для многих бизнес-задач они сильнее и проще нейросетей.
Если это последовательности событий во времени, смотрите:
Если данные похожи на граф — пользователи, связи, переходы, объекты и отношения — смотрите Graph Neural Networks: GCN, GraphSAGE, GAT.
Если формат смешанный, часто строят модель из нескольких веток:
табличные признаки -> MLP текст -> encoder временной ряд -> temporal model объединение embeddings -> final classifier/regressor
Практический совет: сначала сделайте baseline на простом алгоритме. Если baseline слабый и видно, что структура данных сложная, переходите к специализированной архитектуре.
Итог: готовая архитектура выбирается не по названию задачи, а по структуре входа. Таблицы — CatBoost/LightGBM, последовательности — LSTM/Transformer, графы — GNN, смешанные данные — multi-input модель.