针对多个连续标签培训时间序列数据的适当方法是什么？

Question

假设我们有一个时间序列的特征\{{\bf x}_i\}，并且正在学习使用神经网络来预测时间序列\{t_i\}。我们的目标是能够预测前天和后天的时间序列值t，同时考虑到今天观察到的{\bf x}特性。

我最初的想法是：

1. 如果我们的目标是能够预测明天的t，考虑到{\bf x}今天观察到的特性，我们将创建我们的(培训，标签)数据集({\bf x}_i, t_{i+1})。
2. 如果我们的目标是能够预测后天的t，给定{\bf x}今天观察到的特性，我们就可以创建我们的(培训，标签)数据集({\bf x}_i, t_{i+2})。

当然，我们可以使用两个单独的NNs来实现这一点，但是我认为最好使用一个带有两个输出节点并对(t_{i+1}, t_{i+2})进行训练的节点。

无论如何，理想情况下，模型最终应该预测给定t_{i+2} {\bf x}_{i+1}的值(当i+2是明天)和给定{\bf x}_{i}时(当第二天i+2是后天)。这与试图预测两个没有时间转换属性的独立值是不同的。通常，当数据有附加结构时，可以以某种方式加以利用。

这种期望的等价物能被嵌入到模型的训练或体系结构中吗？

Answer 1

你所描述的通常被称为增量学习。贝叶斯方法与增量学习很好地结合起来。将根据现有资料更新每一项后验估计数。在这种情况下，它将之前的模型估计和新的功能。