statistics - 在时间序列数据集上使用循环神经网络进行预测

Question

说明

给定一个具有 10 个序列的数据集——一个序列对应于一天的股票值(value)记录——其中每个序列包含 50 个股票值(value)的样本记录，从早上或上午 9:05 开始，以 5 分钟的间隔分开。但是，有一个额外的记录(第 51 个样本)仅在训练集中可用，它比 50 个样本记录中的最后一个记录样本晚 2 小时，而不是 5 分钟。需要为测试集预测第 51 个样本，其中还给出了前 50 个样本。

我正在使用 pybrain这个问题的循环神经网络将序列组合在一起，以及每个样本的标签(或通常称为目标 y)x_i是下一个时间步的样本x_(i+1) - 时间序列预测中的典型公式。

示例

A sequence for one day is something like:

    Signal id    Time      value
        1     -  9:05   -   23
        2     -  9:10   -   31
        3     -  9:15   -   24
       ...    -  ...    -   ...
       50     -  13:15  -   15

Below is the 2 hour later label 'target' given for the training set 
and is required to be predicted for the testing set
       51     -  15:15   -   11

问题

现在我的循环神经网络 (RNN) 已经对这 10 个序列进行了训练，如果它遇到另一个序列，我将如何使用 RNN预测股票值(value) 2 hours在序列中的最后一个样本之后？

请注意，对于每个训练序列，我还有“比最后一个样本库存值晚 2 小时”，但我不确定如何将其纳入训练 RNN因为它期望样本之间的时间间隔相同。谢谢!

Answer 1

我希望这会帮助你

循环网络结构



一些提示

选择你的循环网络

更成熟的长短时内存 (LSTM) 神经网络非常适合此类任务。 LSTM 能够检测股票值(value)“图表”中常见的“形状”和“变化”，并且有很多研究试图证明这种形状在现实生活中确实存在! See this link for an example .

准确度

如果您希望网络达到更高的准确度，我建议您还向网络提供上一年(完全相同的日期)的股票值(value)，以便输入数量从 50 翻倍到 100。尽管网络可能会在你的数据集上得到很好的优化，它永远无法预测 future 不可预测的行为；)