recurrent neural network machine learning example neural-network time-series artificial-intelligence recurrent-neural-network

neural network - neural - Predicción de series de tiempo a través de redes neuronales



time series neural network (3)

Existe un tipo de redes neuronales denominadas redes neuronales recurrentes (RNN, por sus siglas en inglés) . Una ventaja de usar estos modelos es que no tiene que definir una ventana deslizante para los ejemplos de entrada. potencialmente tener en cuenta muchos casos en las marcas de tiempo anteriores y se utiliza una "puerta olvidada" para permitir o no recordar los resultados anteriores de las marcas de tiempo anteriores.

He estado trabajando en redes neuronales para varios propósitos últimamente. He tenido un gran éxito en el reconocimiento de dígitos, XOR y varias otras aplicaciones fáciles y de gran calidad.

Me gustaría abordar el dominio de la estimación de series de tiempo. No tengo una cuenta de la Universidad en este momento para leer todos los documentos de IEEE / ACM sobre el tema (de forma gratuita), ni puedo encontrar muchos recursos que detallan el uso de ANN para la difusión de series de tiempo.

Me gustaría saber si alguien tiene alguna sugerencia o puedo recomendar algún recurso relacionado con el uso de ANN para la difusión mediante datos de series de tiempo.

Asumiría que para entrenar a la NN, insertaría algunos pasos de tiempo inmediatamente y la salida esperada sería el siguiente paso de tiempo (ejemplo: entradas de n-5, n-4, n-3, n-2, n-1 debe salir con una salida de resultado en el paso de tiempo N. ... y deslizar hacia abajo una cantidad de pasos de tiempo y hacerlo todo de nuevo.

¿Alguien puede confirmar esto o comentarlo? ¡Lo apreciaría!

Técnicamente, esto es lo mismo que su reconocimiento de dígitos: es reconocer algo y devolver lo que era ...

Bueno, ahora sus entradas son los pasos anteriores (T -5 ... T -1 ) y sus salidas o salidas son los pasos predichos (T 0 , T 1 ...).

La mecánica de la propia ANN es la misma: tendrá que enseñar cada capa para la detección de características, corrigiendo su reconstrucción de la cosa, para que parezca lo que realmente va a suceder.

(un poco más de información sobre lo que quiero decir: charla técnica )

Creo que tienes la idea básica: un enfoque de "ventana deslizante" donde una red está entrenada para usar los últimos k valores de una serie (T nk ... T n-1 ) para predecir el valor actual (T n ).

Sin embargo, hay muchas maneras de hacer esto. Por ejemplo:

  • ¿Qué tan grande debe ser esa ventana?
  • ¿Se deben preprocesar los datos de alguna manera (por ejemplo, para eliminar los valores atípicos)?
  • ¿Qué configuración de red (por ejemplo, número de nodos ocultos, número de capas) y algoritmo deben utilizarse?

A menudo, las personas terminan descubriendo la mejor manera de aprender de sus datos particulares mediante prueba y error.

Hay un buen número de documentos de acceso público por ahí sobre este tema. Comience con estos, y mire sus citas y documentos que los citan a través de Google Scholar, y debería tener mucho para leer: