Przewidywanie przy użyciu powtarzających się Sieci Neuronowych na zbiorze danych szeregów czasowych
Opis
Biorąc pod uwagę zbiór danych, który zawiera 10 sekwencji-Sekwencja odpowiada dniu nagrań wartości zapasów-gdzie każdy stanowi 50 przykładowych nagrań wartości zapasów, które są oddzielone 5 minutowymi interwałami począwszy od rana lub 9: 05 rano. Istnieje jednak jedno dodatkowe nagranie (51 próbka), które jest dostępne tylko w zestawie treningowym, co jest 2 godziny później, nie 5 minut, niż ostatnia próbka z 50 próbek. 51. próbka należy przewidzieć dla zestawu badawczego, w którym podaje się również pierwsze 50 próbek.
Używam do tego problemu pybrain
powtarzającej się sieci neuronowej, która grupuje sekwencje razem, a etykieta (lub powszechnie znana jako cel y
) każdej próbki x_i
jest próbką następnego kroku czasowego x_(i+1)
- typowego sformułowania w predykcji szeregów czasowych.
przykład
A sequence for one day is something like:
Signal id Time value
1 - 9:05 - 23
2 - 9:10 - 31
3 - 9:15 - 24
... - ... - ...
50 - 13:15 - 15
Below is the 2 hour later label 'target' given for the training set
and is required to be predicted for the testing set
51 - 15:15 - 11
pytanie
Teraz, gdy moja nawracająca sieć neuronowa (RNN) ma jeśli chodzi o te 10 sekwencji, to jak użyłbym RNN
do przewidywania wartości zapasów 2 hours
po ostatniej próbce w sekwencji ?
Proszę pamiętać, że mam również "2 godziny później niż ostatnie wartości zapasów próbki" dla każdej z sekwencji treningowych, ale nie jestem pewien, jak włączyć to do treningu RNN
, ponieważ oczekuje identycznych odstępów czasowych między próbkami. Dzięki!
1 answers
mam nadzieję, że to ci pomoże
Powtarzająca się struktura sieci
Kilka porad
Wybór sieci cyklicznej
Bardziej dojrzała sieć neuronowa LSTM (Long Short Time Memory) doskonale nadaje się do tego rodzaju zadań. LSTM jest w stanie wykryć typowe "kształty" i " wariacje "w" wykresie wartości zapasów " i istnieje wiele badań, które próbują udowodnić, że takie kształty rzeczywiście występują w prawdziwym życiu! Zobacz ten link dla przykład .
Dokładność
Jeśli chcesz, aby sieć osiągnęła większą dokładność, polecam również zasilenie sieci wartościami zapasów z poprzedniego roku (dokładnie w tym samym dniu), tak aby liczba wejść podwoiła się z 50 do 100. Chociaż sieć może być dobrze zoptymalizowana na Twoim zbiorze danych, nigdy nie będzie w stanie przewidzieć nieprzewidywalnego zachowania w przyszłości;) {]}
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2014-04-11 21:57:34