关于我所了解的，您需要使用时间序列预测算法。由于您的数据是时间序列，您可以查看这些基于深度学习的算法。您还可以使用经典算法进行时间序列预测。您也可以使用 LSTM，这很好，链接中给出了详细信息。 看这里

您的问题是分类问题。给定一些输入，您希望提供二进制输出（正或负）。这意味着您可以使用任何分类器来解决它。

决策树和其他不关心顺序

不必要。假设您决定使用过去 12 个月来预测下个月。每个月都可能是一个功能。在这种情况下，分类器将“关心”顺序，因为顺序由不同的特征隐式表示。

与决策树之类的东西相比，使用 LSTM 的主要优点是 LSTM 的输入可以是任意长度的序列，而决策树需要固定长度的输入。

我认为模型选择的责任在于您在数据集中拥有的特征/预测变量，而不是您决定将输入建模为固定长度或可变长度（如果您正在处理语音数据，那么可变长度序列会产生很有意义）。

我正在研究一个类似的问题，其中我的预测器空间包括一个每小时测量的单个连续变量，以及 4 个分类变量，即一天中的小时、一周中的一天、月和年。在 LSTM 模型中，为我的连续变量创建固定长度的序列是有意义的，但我发现创建固定长度的天、月或年来输入 LSTM 单元并不令人信服。