neural-network - 通过神经网络进行时间序列预测

Question

最近我一直在研究神经网络，用于各种目的。我在数字识别、XOR 和其他各种简单/hello world'ish 应用程序方面取得了巨大成功。

我想解决时间序列估计的领域。我目前没有大学帐户来阅读有关该主题的所有 IEEE/ACM 论文（免费），也找不到许多详细说明使用 ANN 进行时间序列预测的资源。

我想知道是否有人有任何建议或可以推荐任何有关使用 ANN 通过时间序列数据进行预测的资源？

我假设要训练 NN，您将立即插入几个时间步，预期输出将是下一个时间步（例如：n-5、n-4、n-3、n-2、n-1 的输入应该在时间步 N 处输出结果。...并向下滑动一些时间步并再次执行所有操作。

任何人都可以确认或评论它吗？我会很感激！

Answer 1

我认为您已经掌握了基本思想：一种“滑动窗口”方法，其中训练网络使用k系列的最后一个值 (T _n-k ... T _n-1 ) 来预测当前值 (T _n ) .

但是，有很多方法可以做到这一点。例如：

• 那扇窗户应该有多大？
• 是否应该以任何方式对数据进行预处理（例如去除异常值）？
• 应该使用什么网络配置（例如隐藏节点数、层数）和算法？

通常，人们最终会通过反复试验找出从特定数据中学习的最佳方法。

关于这些东西，有相当多的可公开访问的论文。从这些开始，看看他们的引文和通过谷歌学术引用他们的论文，你应该有很多阅读内容：

• Frank, RJ 和 Davey, N. 和 Hunt, SP时间序列预测和神经网络。智能与机器人系统杂志，2001 年。第 31 卷，第 1 期，第 91-103 页。
• JT Connor、RD Martin 和 LE Atlas。递归神经网络和鲁棒的时间序列预测。 IEEE Transactions on Neural Networks，1994 年 3 月。第 5 卷，第 2 期，第 240 - 254 页。

Answer 2

有一种称为循环神经网络（RNN ）的神经网络。使用这些模型的一个优点是您不必为输入示例定义滑动窗口。称为长短期记忆（LSTM）的 RNN 变体可以可能会考虑以前时间戳中的许多实例，并且“忘记门”用于允许或禁止从以前的时间戳中记住以前的结果。

Answer 3

从技术上讲，这与您的数字识别相同 - 它正在识别某些东西并返回它是什么......

好吧 - 现在你的输入是前面的步骤（T _-5 ... T _-1） - 你的输出是预测的步骤（T ₀，T ₁ ...）。

人工神经网络本身的机制是相同的——你必须教每一层进行特征检测，纠正它对事物的重建，使它看起来像实际发生的事情。

（关于我的意思的更多信息：技术谈话）