多维预测

Question

我有一个在不同地方测量的时间序列值的列表。这些测量值可能相关，也可能不相关(主要取决于它们的相对位置，但有些非常接近的检测器实际上会测量去相关序列，这是合理的)。我想预测整个集合的值，同时考虑到所有这些值的序列以及它们随时间的相关性。如果有任何帮助的话，这些数值也应该有相对的周期性。

编辑:我可以使用几个太阳能电池板产生的电力。这些太阳能电池板是在空间上展开的，我想用它们作为“辐照度探测器”。了解过去几个地方的太阳照度，我希望找出信号之间的相关性，然后可以用来预测光照。不管一天的生产模式如何(如图像所示)，我感兴趣的是我可以从一个班轮的过去中提取信息来预测另一个班轮的未来。

我想我需要一个神经网络来解决这个问题，但我不知道如何解决这个问题:我想使用一个时态窗口，用A、B和C的一些过去值来填充NN，但我担心它有点弱。

图像显示了我的数据是什么样子的例子。

如何预测曲线A的下一个值，知道A、B和C的过去值？

​

​

如何处理这个预测？

Answer 1

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一个好教程是：https://www.tensorflow.org/tutorials/recurrent

我还找到了这个链接，在这里，他们为一个相当接近的问题实现了RNN的训练：http://blog.datatonic.com/2016/11/traffic-in-london-episode-ii-predicting.html。

一个更好的灵感：http://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/

Answer 2

我认为最简单的方法是训练3个输入相同的模型，但每个模型都会预测一个值(A、B或C)。

如果您确信输入变量之间的相关性及其对预测输出的影响，您可以创建一个具有公共分支的神经网络(可能是在堆叠的3个输入上的RNN )，那么3个不同的预测头将产生一个预测A或B或C。快速rcnn架构就是一个很好的例子。