基于神经网络的时间序列分类

Question

我想用神经网络来预测公司的破产。数据集组织如下:研究数据来自于2001年至2012年期间的160家公司(50家破产公司和110家未破产公司)。破产由一个二元变量(0=healthy，1=bankrupt)描述。例如，A公司在2001-2012年间没有破产，但B公司在2003年破产。每个公司每年大约有150个特征/输入，所以应该选择其中的一些特征，然后应该预测公司的健康状况。

现在，我不知道如何进行分类，以便考虑公司内部(趋势)和公司之间的相似性程度。准确地说，我想要考虑公司内部和公司之间特性变化的趋势。如果我的问题是时间序列分类，我应该使用哪种神经网络？递归神经网络?如果是这样，数据集应该如何在Matlab中组织。

company         year  Bankruptcy Feature 1 Feature 2 …  …  Feature 150

A              2001    0                              
A                2002    0                              
A                2003    0                              
A                2004    0                              
A                2005    0                              
A                2006    0                              
A                2007    0                              
A                2008    0                              
A                2009    0                              
A                2010    0                              
A                2011    0                              
A                2012    0                              
B                2001    0                              
B                2002    0                              
B                2003    1  

诚挚的问候,

Answer 1

有一些方法可以使用神经网络来实现这一点。假设它是一个时间序列，并且您有许多特征，您可以将其视为一个分类或回归问题。我不知道你的数据，我只是举个例子。

您可以提供输入层中的所有数据，并为每个样本提供理想的输出(您想要分类的特征)，以训练您的神经网络模型。示例：

Company ; Year ; Feature 1 ; Feature 2      Ideal Output
1       ; 2000 ; 1         ; 1              1
2       ; 2001 ; 1         ; 2              0
3       ; 2002 ; 2         ; 4              1
4       ; 2003 ; 5         ; 0              1
5       ; 2004 ; 4         ; 1              0

现在，将其用作时间序列，您可以使用预测窗口来使用它，对于smaple，您可以选择要预测的特征，并在数据之间滑动一个窗口，以估计该序列的理想输出。

假设您有一个包含这些值的时间序列

2.5 ; 2.6 ; 3.2 ; 4.6 ; 5.1 ; 5.2 ; 5.9 ; 6.4 ; 7.1 ; 8.3 ; 9.1

使用3个点的预测窗口，您将拥有一个如下所示的集合：

Inputs              Ideal Output
2.5 ; 2.6 ; 3.2     4.6
2.6 ; 3.2 ; 4.6     5.1
3.2 ; 4.6 ; 5.1     5.2 
4.6 ; 5.1 ; 5.2     5.9
5.1 ; 5.2 ; 5.9     6.4
5.2 ; 5.9 ; 6.4     7.1 
5.9 ; 6.4 ; 7.1     8.3 
6.4 ; 7.1 ; 8.3     9.1

另一种方法是使用具有更多属性的幻灯片窗口，例如sample、Company、Year、Feature 1等。但是你会得到一个大的神经网络模型。这不是问题，但可能需要更多的计算时间来训练它。

另一个重要的一点是，神经网络是一个数学模型，因此，像Company这样的定性属性(其中值为A或B )必须转换为数字，例如：1 (对于A)，2 (对于B)等。