Прогнозирование временных рядов через нейронные сети

Question

В последнее время я работаю над нейронными сетями для различных целей.Я добился большого успеха в распознавании цифр, XOR и других простых / привет привет мировых приложениях.

Я хотел бы заняться оценкой временных рядов.В настоящее время у меня нет учетной записи в университете, чтобы читать все документы IEEE / ACM по этой теме (бесплатно), и я не могу найти много ресурсов, детализирующих использование ANN для прогнозирования временных рядов.

Я хотел бы знать, есть ли у кого-нибудь какие-либо предложения или порекомендовать какие-либо ресурсы, касающиеся использования ANN для прогнозирования через данные временных рядов?

Я бы предположил, что для обучения NN вы должны вставитьнесколько шагов сразу по времени, и ожидаемый результат будет следующим временным шагом (пример: входы n-5, n-4, n-3, n-2, n-1 должны выходить с результатом на временном шаге N.... и сдвиньте некоторое количество временных шагов и сделайте все это снова.

Может кто-нибудь подтвердить это или прокомментировать? Я был бы признателен за это!

Answer 1

Я думаю, что у вас есть основная идея: подход «скользящего окна», при котором сеть обучается использовать последние k значения серии (T _nk ... T _n-1 ) для прогнозирования текущего значения (T _n ).

Однако существует множество способов сделать это.Например:

• Насколько большим должно быть это окно?
• Следует ли каким-либо образом предварительно обрабатывать данные (например, для удаления выбросов)?
• Какая конфигурация сети (например, количество скрытых узлов, количество слоев) и алгоритм должны использоваться?

Часто люди в конечном итоге находят лучший способ учиться на своих конкретных данных методом проб и ошибок.

Есть довольно много общедоступных статей об этом материале.Начните с них, и посмотрите на их цитаты и статьи, которые цитируют их через Google Scholar, и у вас должно быть много чего читать:

• Фрэнк, Р.Дж. и Дейви, Н. и Хант, С.П.Прогнозирование временных рядов и нейронные сети . Журнал «Интеллектуальные и роботизированные системы», 2001. Том 31, выпуск 1, с. 91-103.
• Дж. Т. Коннор, Р. Д. Мартин и Л. Э. Атлас. Периодические нейронные сети и надежный прогноз временных рядов . Транзакции IEEE в нейронных сетях, март 1994 г. Том 5, выпуск 2, с. 240 - 254.

Answer 2

Существует разновидность нейронных сетей с именем рекуррентные нейронные сети (RNNs ). Одним из преимуществ использования этих моделей является отсутствие необходимости определять скользящее окно для входных примеров.Вариант RNNs, известный как Краткосрочная память (LSTM) , может потенциально принимать во внимание много случаев в предыдущих отметках времени, а «ворота защиты» используются для разрешения или запрета.запоминание предыдущих результатов из предыдущих отметок времени.

Answer 3

Технически это то же самое, что и распознавание цифр - это распознавание чего-то и возвращение того, что было ...

Хорошо - теперь ваши входные данные являются предыдущими шагами (T _-5 ... T _-1 ) - и ваши выходные данные или выходы являются предсказанными шагами (T ₀ , Т ₁ ...).

Механики в самой ANN одинаковы - вам придется обучать каждый слой обнаружению объектов, корректировать его реконструкцию, чтобы он выглядел так, как на самом деле происходит.

(еще немного информации о том, что я имею в виду: технический разговор )