Как применить нейронную сеть для прогнозирования временных рядов?

Я новичок в машинном обучении, и я пытался понять, как применить нейронную сеть для прогнозирования временных рядов. Я нашел ресурс, связанный с моим запросом, но я все еще немного потерян. Я думаю, что базовое объяснение без особых подробностей поможет.

Допустим, у меня есть несколько ценовых значений для каждого месяца в течение нескольких лет, и я хочу предсказать новые ценовые значения. Я мог бы получить список цен за последние несколько месяцев, а затем попытаться найти похожие тенденции в прошлом, используя K-Nearest-Neighbor. Я мог бы использовать скорость изменения или какое-то другое свойство прошлых тенденций, чтобы попытаться предсказать новые цены. Как я могу применить нейронную сеть к этой же проблеме - вот что я пытаюсь выяснить.

Вот простой рецепт, который может помочь вам начать писать код и тестировать идеи ...

Предположим, у вас есть ежемесячные данные, записанные за несколько лет, поэтому у вас есть 36 значений. Предположим также, что вы заботитесь только о прогнозировании за месяц (значение).

1. Исследовательский анализ данных: примените некоторые традиционные методы анализа временных рядов для оценки зависимости запаздывания в данных (например, графики автокорреляции и частичной автокорреляции, преобразования, дифференцирование). Допустим, вы обнаружите, что значение данного месяца коррелирует с данными за последние три месяца, но не настолько, как это.
2. Разделите ваши данные на обучающие и проверочные наборы: возьмите первые 24 балла в качестве ваших тренировочных значений, а оставшиеся баллы - в качестве проверочного набора.
3. Создайте макет нейронной сети. В качестве входных данных вы возьмете значения за последние три месяца и захотите предсказать значение следующего месяца. Итак, вам нужна нейронная сеть с входным слоем, содержащим три узла, и выходным слоем, содержащим один узел. Вероятно, у вас должен быть скрытый слой с хотя бы парой узлов. К сожалению, выбор количества скрытых слоев и их соответствующего количества узлов не является чем-то, для чего есть четкие рекомендации. Я бы начал с малого, как 3: 2: 1.
4. Создайте шаблоны обучения: каждый шаблон обучения будет иметь четыре значения, причем первые три соответствуют входным узлам, а последнее определяет правильное значение для выходного узла. Например, если ваши тренировочные данные имеют значения то $$x_1,x_2\dots,x_{24}$$ $$pattern 1: x_1,x_2,x_3,x_4$$ $$pattern 2: x_2,x_3,x_4,x_5$$ $$\dots$$ $$pattern 21: x_{21},x_{22},x_{23},x_{24}$$
5. Тренируйте нейронную сеть по этим паттернам
6. Протестируйте сеть на проверочном наборе (месяцы 25-36): здесь вы передадите три значения, которые необходимы нейронной сети для входного слоя, и посмотрите, на что настроен выходной узел. Итак, чтобы увидеть, насколько хорошо обученная нейронная сеть может предсказать значение 32-го месяца, вы передадите значения для 29-го, 30-го и 31-го месяцев.

Этот рецепт, очевидно, высокого уровня, и вы можете сначала почесать голову, пытаясь отобразить свой контекст в разных библиотеках / программах. Но, надеюсь, это обрисовывает в общих чертах главное: вам нужно создать шаблоны тренировок, которые разумно содержат корреляционную структуру ряда, который вы пытаетесь прогнозировать. И независимо от того, выполняете ли вы прогнозирование с помощью нейронной сети или модели ARIMA, исследовательская работа по определению структуры является зачастую самой трудоемкой и трудной частью.

По моему опыту, нейронные сети могут обеспечить большую функциональность классификации и прогнозирования, но их настройка может занять много времени. В приведенном выше примере вы можете обнаружить, что 21 тренировочных моделей недостаточно; различные преобразования входных данных приводят к лучшим / худшим прогнозам; изменение количества скрытых слоев и узлов скрытых слоев сильно влияет на прогнозы; и т.п.

Я настоятельно рекомендую посетить веб-сайт neural_forecasting , который содержит тонны информации о соревнованиях по прогнозированию нейронных сетей. Страница Мотивации особенно полезна.