首页 文章

在时间序列数据集上使用递归神经网络进行预测

提问于
浏览 次
11

Description

给定具有10个序列的数据集 - 序列对应于股票 Value 记录的一天 - 其中每个序列构成50个样本记录的库存值，从早晨或上午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，该训练集是在50个样本记录中的最后记录样本的2小时后，而不是5分钟 . 对于测试集，需要预测第51个样本，其中还给出了前50个样本 .

我正在使用 pybrain 递归神经网络来解决将序列组合在一起的问题，并且每个样本 x_i 的标签（或通常称为目标 y ）是下一个时间步骤的样本 x_(i+1) - 时间序列预测中的典型公式 .

Example

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

Question

既然我的递归神经网络（RNN）已经训练了这10个序列，如果它面对另一个序列，我将如何使用 RNN 来预测序列中最后一个样本之后的股票 Value 2 hours ？

请注意，对于每个训练序列我也有"2 hours later than the last sample stock values"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！

statistics neural-network time-series prediction pybrain

1 回答

  • 21

    我希望我能帮助你

    经常性网络结构

    enter image description here

    一些提示

    选择您的经常性网络

    更成熟的长时间短时记忆（LSTM）神经网络非常适合这种任务 . LSTM能够检测股票 Value "graph"中的常见"shapes"和"variations"，并且有很多研究试图证明这些形状实际上发生在现实生活中！ See this link for an example .

    准确度

    如果您希望网络达到更高的准确度，我建议您还为网络提供上一年（在完全相同的日期）的库存值，以便输入数量从50增加到100倍 . 虽然网络可能如果你的数据集得到很好的优化，就永远无法预测未来不可预测的行为;）

    回复于

相关问题