Multidimensionale Vorhersage

Question

Ich habe eine Liste von zeitlichen Reihen von Werten an verschiedenen Orten gemessen. Diese Messungen können korreliert sein oder nicht, (meistens abhängig von ihren relativen Positionen, aber es ist plausibel, dass einige sehr nahe Detektoren dekorrelierte Reihen messen würden). Ich möchte die Werte der ganzen Menge vorhersagen, wobei ich die Reihe von allen und ihre Korrelation mit der Zeit berücksichtigen werde. Wenn es hilft, sollten die Werte auch relative Periodizität haben

EDIT: Ich habe Zugriff auf die erzeugte Kraft von mehreren Sonnenkollektoren. Diese Sonnenkollektoren sind räumlich verteilt, und ich würde sie gerne als "Bestrahlungsdetektoren" verwenden. Da ich die Sonnenbeleuchtung an mehreren Stellen in der Vergangenheit kenne, möchte ich Korrelationen zwischen Signalen identifizieren, aus denen dann Vorhersagen für die Beleuchtung gemacht werden können. Unabhängig von den üblichen Produktionsmustern während eines Tages (wie auf dem Bild zu sehen) interessieren mich die Informationen, die ich aus der Vergangenheit eines Pannels extrahieren kann, um eine andere Zukunft vorherzusagen.

Ich denke, ich würde ein neurales Netzwerk brauchen, um dieses Problem zu lösen, aber ich bin mir nicht sicher, wie man es füttert: Ich dachte an ein temporäres Fenster und fütterte mein NN mit ein paar vergangene Werte von A, B und C, aber ich fürchte, es ist ein bisschen schwach.

Das Bild zeigt ein Beispiel wie meine Daten aussehen.

Wie kann ich die nächsten Werte der Kurve A, die vergangene Werte von A, B und C kennen, vorhersagen?

Wie diese Vorhersage behandeln?

Answer 1

Der beste Weg, um diese Aufgabe zu erfüllen, ist die Verwendung eines RNN.

Ein gutes Tutorial für das Lernen, wie man ein solches ist hier neuronales Netz zu entwickeln: https://www.tensorflow.org/tutorials/recurrent

Ich fand auch diesen Link, wo sie eine RNN für ein ziemlich enges Problem erreicht Ausbildung: http://blog.datatonic.com/2016/11/traffic-in-london-episode-ii-predicting.html

Eines noch besser Inspiration: http://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/

Answer 2

Ich denke, der einfachste Weg ist, 3 Modelle mit dem gleichen Eingang zu trainieren, aber jeder wird einen Wert (A, B oder C) voraussagen. Wenn Sie sich über die Korrelation zwischen der Eingangsvariablen und ihrer Auswirkung auf die vorhergesagte Ausgabe sicher sind, können Sie ein neuronales Netzwerk mit einem gemeinsamen Zweig (wahrscheinlich RNN über den gestapelten 3 Eingängen) und dann 3 verschiedenen Vorhersageköpfen erstellen Vorhersage A oder B oder C. Fast-rcnn Architektur ist ein gutes Beispiel dafür.