cấu trúc liên kết mạng thần kinh nào để tìm hiểu mối tương quan giữa các chuỗi thời gian?


7

Tôi có hai (hoặc nhiều hơn về nguyên tắc) chuỗi thời gian 1xN và tôi muốn đào tạo một NN để dự đoán giá trị tiếp theo của cả hai. Tôi có thể sắp xếp chúng dưới dạng ma trận 2xN và cung cấp một cửa sổ từ ma trận này làm đầu vào cho NN, nhưng tôi không chắc cách cấu trúc chính NN.

Tôi đã tạo ra một NN với các kết quả có thể thực hiện một công việc khá tốt với một chuỗi duy nhất, nhưng tôi muốn khai thác các mối tương quan giữa các chuỗi. Cấu trúc liên kết nào hoạt động để cho phép NN nhận thấy mối tương quan giữa chuỗi thời gian?


CNNs xử lý 2D ra khỏi hộp. Trong thực tế đó là trường hợp sử dụng lớn nhất của họ (hình ảnh). Tại sao bạn nghĩ rằng bạn phải sử dụng một cái gì đó fancier?
kbrose

Mối quan hệ giữa hai chuỗi thời gian là gì? Nếu không có mối quan hệ, lý do để kết hợp chúng làm đầu vào là gì?
Snympi

Câu trả lời:


2

Nó phụ thuộc một chút vào loại tương quan mà bạn đang tìm kiếm. Bạn có mong đợi một mối tương quan xuất hiện ở mỗi bước / cửa sổ thời gian, hoặc một mức độ tương quan khác nhau cho mỗi bước thời gian / cửa sổ không? Bạn đang làm một phân loại hoặc một nhiệm vụ hồi quy? Đôi khi dự đoán giá trị tiếp theo liên quan đến phân loại, nhưng tôi sẽ cho rằng bạn đang tìm kiếm hồi quy ngay bây giờ.

Để bắt đầu, hãy thử cung cấp riêng từng chuỗi đó làm đầu vào cho mạng thần kinh tái phát (bắt đầu với một LSTM cơ bản và giảm dần nếu nó quá mức). Tôi thích đề xuất của bạn về các cửa sổ chồng chéo.

Ví dụ (mã giả-ish):

series_1 = 1, 2, 3, ..., 100

series_2 = 5, 6, 7, ..., 200

input_1 = Input(series_1,       window_size)

input_2 = Input(series_2, window_size)

layer_1 = LSTM(input_1, input_2)

final_layer = fully_connected(layer_1)


0

Bạn rõ ràng có thể cung cấp tương quan dưới dạng đầu vào nn, như được tính toán trong Theo dõi tương quan cục bộ trong Chuỗi thời gian , với mã có sẵn thông qua Blog của Vlad .

Tôi cũng đã đọc một bài báo (tiếc là tôi không thể nhớ tiêu đề hoặc tên tác giả của nó cho tìm kiếm google) trong đó dự đoán về tương quan trong tương lai là mục tiêu nn rõ ràng như là một phần của mục tiêu nn mục tiêu đa biến. Các tác giả tuyên bố bao gồm mối tương quan như là một mục tiêu đã cải thiện độ chính xác trên phần không tương quan của mục tiêu đa biến.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.