使用递归神经网络解决时间序列任务

Question

我有下一个需要解决的问题：预测第二天/周的“工作需求”。 我有去年的样本（377个样本，每天1个）。 我的变量是相关的信息（或者至少我认为它是相关的）：日，周，月，假日，天气条件（临时，下雨，下雪），订阅量（13个变量） 我从开始到现在都提出了所有样品的要求，我得到了：

如果我在一周（星期一，星期二，......）分开这个需求，我得到：

我认为这是一个“时间序列”问题所以我试图用神经网络解决它，特别是使用递归神经网络。 我的问题是下一个：

1）这真的是一个“时间序列”问题吗？

2）用NN解决这个问题是不是很好？哪种类型？ RNN？

3）如果RNN是最好的，我应该考虑另一个可能很常见的变量吗？我不考虑它吗？

4）如果神经网络不是最好的方法，那是哪一种？

5）我应该尝试培训7个不同的网络（一周中每天一个），还是应该尝试培训1个“大”网络？

6）是否可以保留异常值或者我应该删除它？ （假日出现在外面）

Answer 1

  

1）这真的是一个“时间序列”问题吗？

按definition，时间序列是按时间顺序索引的一系列数据点。你的问题很完美。所以，是的，这是一个时间序列问题。

  

2）用NN解决这个问题是不是很好？哪种类型？ RNN？

RNN肯定是这个问题的候选者：RNN擅长捕获系列数据中的类似模式，例如，从语料库中的大量句子学习语言规则。您的第一个图表清楚地表明，在连续的时间步长点之间存在依赖关系。

  

3）如果RNN是最好的，我应该考虑另一个可能很常见的变量吗？我不考虑它吗？

这个问题没有普遍的答案。深层网络可以从输入的网络中学习新功能（称为feature extraction），但也可能无法这样做，您必须做好准备。

  

4）如果神经网络不是最好的方法，那是哪一种？

这个问题再一次过于宽泛。没有一种最好的方法。这就是为什么我在这里谨慎处理：RNN是一个很好的候选人，换句话说，我看不出任何立即尝试的问题。

有关于时间序列分析的书籍，统计库包括自回归，自相关，季节性等。讨论那些完全超出StackOverflow的范围。如果您有兴趣，我建议您在CrossValidated询问。

  

5）我应该尝试培训7个不同的网络（一周中每天一个），还是应该尝试培训1个“大”网络？

如果不同日期之间的分布明显多样化，您可以这样做。坦率地说，我没有在上面的图表中注意到，但是需要调查原始数据来回答这个问题。

  

6）是否可以保留异常值或者我应该删除它？ （假日出现在外面）

一般来说，神经网络不善于预测异常值，因为这里没有模式。但是你的第一张图表并没有显示出明显的异常值，所以这是一个使用它的论据，而不是每个工作日图表。

Answer 2

1. 不能说。似乎是。 2,4。是的，RNN用于时间序列预测。
2. 不确定按日分割。但可能你有理由这样做。
3. 我想，培训7个不同的网络要比一个网络难得多。
4. 将它们移除并替换为最近点的位置。在RNN工作的所有任务都很难解决异常问题。由于缩放（但如果你不删除它们，RobustScaler可能会有所帮助）。