多维预测

Question

我有一个在不同地方测量的时间序列值列表。这些测量结果可能相关也可能不相关（主要取决于它们的相对位置，但一些非常接近的探测器实际上会测量去相关系列）似乎是合理的。我想预测整个集合的值，同时考虑所有这些集合的序列以及它们随时间的相关性。如果它有任何帮助，值也应该具有相对周期

编辑：我可以使用几块太阳能电池板产生的电力。这些太阳能电池板在空间上传播，我想将它们用作“辐照度探测器”。我知道过去几个地方的太阳照射，我希望识别信号之间的相关性，然后可以用它来预测照明。 无论一天中的常规生产模式如何（如图中所示），我感兴趣的是我可以从一个面板过去提取的信息，以预测未来的另一个。

我想我需要一个神经网络才能解决这个问题，但我不知道如何提供它：我想过使用一个时间窗口并用一些过去的A，B和C值给我的NN，但是我担心它有点弱。

图片显示了我的数据的示例。

如何预测曲线A的下一个值，知道过去的A，B和C值？

如何处理这种预测？

Answer 1

我认为最简单的方法是训练3个具有相同输入的模型，但每个模型都会预测一个值（A，B或C）。

如果您确定输入变量与它们对预测输出的影响之间的相关性，您可以创建一个具有公共分支的神经网络（可能是堆叠的3个输入上的RNN），然后是3个不同的预测头，其中每个将生成一个预测A或B或C. Fast-rcnn架构就是一个很好的例子。

Answer 2

实现此任务的最佳方法是使用RNN。

学习如何开发这样一个神经网络的好教程在这里： https://www.tensorflow.org/tutorials/recurrent

我也找到了这个链接，他们在那里为一个相当接近的问题训练了一个RNN： http://blog.datatonic.com/2016/11/traffic-in-london-episode-ii-predicting.html

更好的灵感： http://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/