Eine einfache Schritt-für-Schritt-Anleitung für den Einstieg in neuronale Netze für die Zeitreihenprognose
Die Vorhersage mehrerer Zeitreihen kann schnell zu einer komplizierten Aufgabe werden. Traditionelle Ansätze erfordern entweder ein separates Modell professional Serie (z. B. SARIMA) oder dass alle Serien korreliert sind (z. B. VARMA). Neuronale Netze bieten einen flexiblen Ansatz, der Multiserienprognosen mit einem einzigen Modell unabhängig von der Serienkorrelation ermöglicht.
Darüber hinaus ermöglicht dieser Ansatz die einfache Integration exogener Variablen und die Vorhersage mehrerer Zeitschritte in die Zukunft, was zu einer leistungsstarken Gesamtlösung führt, die in einer Vielzahl von Fällen intestine funktioniert.
In diesem Artikel zeigen wir, wie Sie die Datenfensterung durchführen, die erforderlich ist, um unsere Daten von einer Zeitreihe in ein überwachtes Lernformat sowohl für eine univariate als auch für eine multivariate Zeitreihe umzuwandeln. Sobald unsere Daten transformiert wurden, zeigen wir, wie man sowohl ein Deep Neural Community als auch LSTM trainiert, um multivariate Vorhersagen zu erstellen.
Untersuchung unserer Daten
Wir werden mit einem Datensatz arbeiten, der die tägliche Durchschnittstemperatur und Luftfeuchtigkeit in Delhi, Indien, zwischen 2013 und 2016 erfasst. Diese Daten sind auf Kaggle verfügbar und für die Nutzung unter der lizenziert CC0: Public Area was es excellent macht…