Я пытался спрогнозировать временной ряд с экзогенными переменными и добился успеха в прогнозировании с помощью моделей SARIMAX, я пытался сделать то же самое, используя модели RNN (в частности, модель LSTM), но не смог найти способ реализовать экзогенную переменную ( у меня есть полная история), но эта переменная влияет на временной ряд и, следовательно, ее необходимо учитывать. Очень признателен за вашу помощь Спасибо
Есть ли способ использовать LSTM для прогнозирования временного ряда с экзогенной переменной, как при использовании моделей SARIMAX?
11.06.2020
- Не забудьте подробнее рассказать о том, как вы успешно включаете экзогенные переменные в свои модели SARIMAX и как / где вам кажется, что вы сталкиваетесь с трудностями при включении их аналогичным образом в свои модели RNN? 12.06.2020
- Привет, @rigsby. Я использовал атрибут exog в функции SARIMAX: model = SARIMAX (train_data, exog = exogenous_train, order = .., season_order = ...), а затем, чтобы предсказать, я использовал прогноз, который дал мне возможность определить экзогенную переменную для прогноз явно: fc = model.forecast (steps, exog = exogenous_test). Однако я не могу понять, как сделать то же самое в моделях LSTM. 12.06.2020
Ответы:
1
Проверьте cond-rnn. Это библиотека, которая реализует то, что вы ищете.
Полезно, если у вас есть данные временных рядов с другими входными данными, которые не зависят от времени. Например, данные о погоде из двух разных городов: Парижа и Сан-Франциско. Вы хотите спрогнозировать следующую температуру на основе исторических данных. Но в то же время вы ожидаете, что погода будет меняться в зависимости от города. Вы также можете:
Совместите вспомогательные функции с данными временных рядов (некрасиво!).
Объедините вспомогательные функции с выходными данными слоя RNN. Это своего рода корректировка после RNN, поскольку слой RNN не увидит эту вспомогательную информацию.
Или просто воспользуйтесь этой библиотекой! Короче говоря, инициализируйте состояния RNN с помощью изученного представления условия (например, Париж или Сан-Франциско). Таким образом вы элегантно моделируете P (x_ {t + 1} | x_ {0: t}, cond).
И им действительно легко пользоваться
outputs = cond_rnn.ConditionalRNN(units=NUM_CELLS, cell='LSTM')([inputs, cond])
12.06.2020
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..