面板数据的递归神经网络

Question

这个问题分为两部分。假设我们正在查看产品的销售额S＆gt;它卖的1000美元商店。对于这1000家商店中的每一家，我们都有24个月的记录数据。

1. 我们希望能够预测S_t＆lt; -f（S_ {t-1}）。我们可以为每个商店时间序列建立一个RNN，计算测试RMSE，然后在处理归一化值等后取平均值。但问题是每个时间序列的样本非常少。如果我们将商店分组（通过动态时间扭曲），那么我们可以创建一个文本情感挖掘的独白，就像在文本中两个句子用点分隔一样，我们将有两个时间序列用特殊符号分隔（让我们说）。在这种情况下，我们将在
上生成RNN模型

Train_1 | Train_2 | ... | Train_t

数据和预测

Test_1 | Test_2 | ... | Test_t

1. 在此之后，我们希望将其设置为面板数据问题，其中S_t＆lt; -f（x_ {t1}，x_ {t2}，...，x_ {tn}）。在这种情况下，我应该为每个t建立一个单独的神经网络，然后从t - >连接隐藏的层。 t + 1 - ＆gt; t + 2 ....

我应该如何通过Keras / Theano / Mxnet等软件包来实现这些？任何帮助都会很棒！

Answer 1

对于您的第一个问题，在MXNet Gluon中实现这一点非常简单。您可以将问题表示为自动回归问题，以便它在序列长度期间没有任何依赖性，或者您可以将其表示为单个预测，并且需要S的特定序列长度以预测S_t。无论哪种方式，this gluon tutorial都可以帮助您入门。