基于时间序列数据集的递归神经网络预测

Question

描述的

给定具有10个序列的数据集 - 序列对应于股票价值记录的一天 - 其中每个序列构成50个样本记录的股票值，从早晨或上午9:05开始以5分钟的间隔分隔。但是，有一个额外的记录（第51个样本）仅在训练集中可用，该记录是在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y的标签（或通常称为目标x_i）就是样本下一步的步骤x_(i+1) - 时间序列预测中的典型公式。

实施例

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

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预测最后一个样本后的股票价值2 hours序列 ？

请注意，对于每个训练序列，我也“比最后一个样本库存值晚了2个小时”，但我不确定如何将其纳入培训RNN，因为它预计相同的时间间隔样本。谢谢！

Answer 1

我希望我能帮到你

经常性网络结构

<小时/>

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能够检测股票价值“图形”中的常见“形状”和“变化”，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

精度

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。网络可能在您的数据集上得到很好的优化，它永远无法预测未来不可预测的行为;）