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 habenMultidimensionale Vorhersage
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?
Cross-gepostet: https://stackoverflow.com/q/44285325/781723, https://cs.stackexchange.com/q/76118/755, https: //scicomp.stackexchange .com/q/27017/4274. Bitte [schreibe nicht dieselbe Frage auf mehreren Websites] (https://meta.stackexchange.com/q/64068). Jede Gemeinschaft sollte eine ehrliche Antwort erhalten, ohne dass jemand Zeit verschwendet. –
Entschuldigung dafür, ich habe erwartet, dass ich eine bessere Chance hätte, Hilfe zu finden –
Die Antwort ist "Es kommt darauf an". Es hängt viel von Ihrer Problemdomäne und der Art der Menge ab, die Sie messen - wir können das nicht abstrakt beantworten. Also, ich ermutige Sie, die Frage zu bearbeiten, um zu beschreiben, woher die Zeitreihe kommt. Was misst es? Welche Muster hat es wahrscheinlich? Hast du ein Modell, wie es sich entwickelt? –