Statistics 时间序列数据的递归神经网络预测

描述

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价值记录），其中每个序列由50个股票价值样本记录组成，从上午或上午9:05开始，间隔5分钟。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个样本记录中最后一个记录的样本晚2小时，而不是5分钟。需要为测试集预测第51个样本，其中也给出了前50个样本

我正在使用

pybrain

递归神经网络来解决这个问题，它将序列分组在一起，每个样本

x\u I

的标签（或通常称为目标

y

）是下一个时间步

x（I+1）

的样本，这是时间序列预测中的典型公式

范例

问题:

现在，我的递归神经网络（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

预测序列中最后一个样本后

2小时的股票价值

请注意，对于每个训练序列，我也有“比上一个样本库存值晚2小时”，但我不确定如何将其纳入训练
RNN
，因为它要求样本之间的时间间隔相同。谢谢
 我希望这能帮到你

递归网络结构


一些提示
选择你的循环网络
比较成熟的长短时记忆（LSTM）神经网络非常适合这种任务。LSTM能够检测股票价值“图形”中常见的“形状”和“变化”，并且有大量研究试图证明这种形状实际上发生在现实生活中

精确
如果您希望网络达到更高的精度，我建议您也向网络提供上一年（在完全相同的日期）的股票价值，以便输入数量从50增加到100。尽管网络可能在您的数据集上得到了很好的优化，但它永远无法预测未来不可预测的行为；）
 我不太明白你的解释。是否所有训练集值都包含50个输入信号，并且所有样本之间的时间差相同？你的问题是：
你如何预测下一个序列输出
？是的，前50个输入信号具有相同的时间增量-5分钟的差异，但是，对于每个序列，实际上有51个输入信号，最后一个信号具有更大的增量-2小时的差异-比其他信号，我需要预测前50个信号的最后一个信号。因此，问题是如何使用与其他信号不同的增量来训练
RNN
，以及如何预测给定前50个信号的信号。@jorgenkg，我更新了问题以澄清，抱歉混淆感谢一吨精彩的描述！不过有一个小问题，因为只有大约前半个样本和最后一个样本（第50个）在两小时后有一个
目标样本，所以可以在
LSTM
中按顺序将它们组合在一起吗？因为前半个样本相隔5分钟，但最后一个样本（第50个样本）与前半个样本相差很远，你认为呢？第51个样本是2小时后第50个样本的
值。这在理论上应该不是问题。请确保您有足够的数据样本！它应该至少包含20000个条目（分为2/3
训练集
和1/3 v
验证集
），以确保网络更准确、更可靠！最美好的祝福！我也很好奇，LSTM的另一种方法是包含滞后变量吗？是你自己创建的图像吗？如果没有，你能提供一个来源吗？这是视觉上避免不必要复杂性的最佳图像之一。是的，我用Omnigraffle制作了它，但不幸的是该文件被删除了
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