Ich würde das Wort "am besten" nicht verwenden, aber LSTM-RNN sind im Umgang mit Zeitreihen sehr leistungsfähig , einfach weil sie Informationen über vorherige Werte speichern und die Zeitabhängigkeiten zwischen den Stichproben ausnutzen können. Das heißt, es lohnt sich auf jeden Fall.
Es ist erwiesen, dass ihre Leistung erheblich gesteigert werden kann, wenn sie mit einem Convolutional Neural Network (CNN) kombiniert werden , das die räumlichen Strukturen in Ihren Daten lernen kann, die in diesem Fall eindimensional sind.
Werfen Sie einen Blick auf diese hochmoderne Methode, die LSTM und CNN kombiniert und erst kürzlich (in diesem Jahr) veröffentlicht wurde:
https://ieeexplore.ieee.org/document/8141873/
Abgesehen davon, werfen Sie einen Blick auf dieser Codierung Beispiel , erklärt, wie Keras (Python) verwenden , um ein LSTM Netzwerk zu implementieren Sequenzklassifizierung und wie es zu kombinieren mit einem CNN für Augmented - Leistung:
https://machinelearningmastery.com/sequence-classification-lstm-recurrent-neural-networks-python-keras/