Во входном слое есть X отдельных узлов для каждого измерения (погода, ветер и т. Д.) Входных данных, где X - количество дней, к которым можно вернуться (скажем, 4-7). Затем вы должны нормализовать каждое входное измерение в подходящем диапазоне, скажем, [-1.0, 1.0].
иметь второй «скрытый» слой, полностью связанный с первым слоем (а также с фиксированным входным узлом «смещения» 1.0, служащим в качестве фиксированной точки). Здесь должно быть меньше узлов, чем во входном слое, но это всего лишь практическое правило, вам может потребоваться экспериментировать.
Последний слой - это ваш выходной слой, полностью взаимосвязанный со вторым слоем (а также смещенный смещением). Иметь отдельный выходной нейрон для каждого измерения.
Не забудьте тренироваться с нормализованными значениями как на входе, так и на выходе. Поскольку это временные ряды, вам может не понадобиться рандомизировать порядок обучающих данных, а подавать их по мере их поступления - ваша сеть также выучит временные отношения (с удачей :)
(Также обратите внимание, что существует метод, называемый «временное обратное распространение», который настроен для данных временных рядов.)