Prédiction de série temporelle via les réseaux neuronaux

Question

J'ai récemment travaillé sur des réseaux de neurones à des fins diverses. J'ai eu beaucoup de succès dans la reconnaissance de chiffres, XOR, et diverses autres applications du monde facile/bonjour.

Je voudrais aborder le domaine de l'estimation de séries chronologiques. Je n'ai pas de compte universitaire pour le moment pour lire tous les articles de l'IEEE/ACM sur le sujet (gratuitement), et je ne trouve pas non plus beaucoup de ressources détaillant l'utilisation du RNA pour la prévision des séries chronologiques.

Je voudrais savoir si quelqu'un a des suggestions ou peut recommander des ressources concernant l'utilisation de ANN pour la prévision par données de séries chronologiques?

Je suppose que pour former le NN, vous inséreriez quelques pas de temps immédiatement et la sortie attendue serait le pas de temps suivant (exemple: entrées de n-5, n-4, n-3, n-2 , n-1 devrait sortir avec une sortie de résultat à timestep N. ... et glisser vers le bas un certain nombre de timesteps et tout recommencer

Est-ce que quelqu'un peut confirmer cela ou commenter?

Answer 1

Je pense que vous avez l'idée de base: une approche « fenêtre coulissante » où un réseau est formé pour utiliser les dernières k valeurs d'une série (T _nk ... T _n-1) pour prédire la valeur actuelle (T _n).

Cependant, il existe de nombreuses façons de le faire. Par exemple:

• Quelle devrait être la taille de cette fenêtre?
• Les données doivent-elles être prétraitées de quelque manière que ce soit (par exemple pour supprimer les valeurs aberrantes)?
• Quelle configuration de réseau (par exemple, nombre de nœuds masqués, nombre de couches) et quel algorithme doit être utilisé?

Souvent, les gens finissent par trouver la meilleure façon d'apprendre de leurs données particulières par essais et erreurs.

Il existe un bon nombre d'articles accessibles au public sur ce sujet. Commencez par ceux-ci, et regardez leurs citations et des documents qui les citent via Google Scholar, et vous devriez avoir beaucoup à lire:

• Frank, R. J. et Davey, N. et Hunt, S. P. Time Series Prediction and Neural Networks. Journal of Intelligent and Robotic Systems, 2001. Volume 31, Numéro 1, pp. 91-103.
• J.T. Connor, R.D. Martin et L.E. Atlas. Recurrent neural networks and robust time series prediction. IEEE Transactions on Neural Networks, mars 1994. Volume 5, Numéro 2, pp 240 -. 254.

Answer 2

Techniquement, cela est le même que votre reconnaissance de chiffres - il est de reconnaître quelque chose et de retour ce qu'il était .. .

bien - maintenant vos entrées sont les étapes précédentes (T _-5 ... T _-1) - et votre sortie ou les sorties sont les étapes prévues (T , T . ..).

Les mécanismes de l'ANN lui-même sont les mêmes - vous devrez apprendre chaque couche pour la détection des caractéristiques, en corrigeant la reconstruction de la chose, afin qu'elle ressemble à ce qui va réellement se passer.

(un peu plus d'informations sur ce que je veux dire: tech talk)

Answer 3

Il y a une sorte de réseaux de neurones appelés recurrent neural networks (RNNs. Un avantage de l'utilisation de ces modèles est que vous n'avez pas besoin de définir une fenêtre coulissante pour les exemples d'entrée. Une variante de RNN connue sous le nom Long-Short Term Memory (LSTM) peut potentiellement prendre en compte de nombreuses instances dans les horodatages précédents et une «porte d'oubli» est utilisée pour autoriser ou interdire de se souvenir des résultats précédents des horodatages précédents.