Я пытаюсь найти лучший тип нейронной сети для регрессии временных рядов. Я бы описал свой сценарий так:
- У меня есть данные 1D временных рядов от датчиков A, B, C, D, E и F.
- Я пытаюсь создать регрессионную модель для данных датчика F, используя данные от датчиков A-E.
- Я знаю, что для некоторых датчиков мне нужно учитывать последние X часов данных, чтобы иметь правильную модель. Эта «задержка» различна для каждого датчика (например, мне нужно использовать последние 6 часов от датчика A-B, последние 30 минут для C-E), но постоянная во времени.
- У меня есть приблизительная оценка максимальных "задержек", но я не знаю их точно для каждого датчика (что не позволяет мне предварительно обрабатывать мои данные).
Моя цель состоит в том, чтобы иметь возможность создать модель / сеть, обученную на данных всех датчиков, а затем применить ее к новым данным из АЕ и сравнить результаты моей регрессии с фактическими данными (в данном случае от датчика F).
До этого я использовал нейронные сети с временной задержкой вместе с MATLAB, но этот подход не позволил мне проявить большую гибкость при проектировании сети. Проведя некоторые исследования вульгарных веб-сайтов, я обнаружил, что многие сравнивают нейронные сети с временной задержкой и рекурсивные нейронные сети. Однако, хотя быстрая документация по MATLAB заставила меня подумать, что я понимаю, как работают эти сети, меня теперь немного смущают различные (и иногда противоречивые) мнения по этому вопросу.
Какими были бы подходящие типы нейронных сетей для моей проблемы? Должен ли я преобразовать свои данные? (например, вместо 1d данных, используя временные сегменты последних X часов на каждой временной метке?)
Я бы с радостью принял любую справочную информацию для лучшего понимания.