使用循环神经网络解决时间序列任务答案

【问题标题】：Using Recurrent Neural Network to solve Time Series task使用循环神经网络解决时间序列任务
【发布时间】：2018-06-05 13:25:29
【问题描述】：

我有下一个问题要解决：预测下一天/一周的“工作需求”。我有去年的样品（377 个样品，每天 1 个）。我的变量与信息相关（或者至少我认为是相关的）：日、周、月、假日、天气条件（温度、雨、雪）、订阅量（13 个变量）我从开始到今天抽取了所有样本的需求，得到了：

如果我在一周内（周一、周二、...）拆分此需求，我会得到：

我认为这是一个“时间序列”问题，因此我尝试使用神经网络，特别是递归神经网络来解决它。接下来是我的问题：

1) 真的是“时间序列”问题吗？

2) 用 NN 解决问题好不好？哪种类型？循环神经网络？

3) 如果 RNN 是最好的，我是否应该考虑另一个可能很常见但我没有考虑在内的变量？

4) 如果神经网络不是最好的方法，那是哪一种？

5) 我应该尝试训练 7 个不同的网络（一周中每天一个）还是应该尝试训练 1 个“大”网络？

6) 可以保留异常值还是应该删除它？（异常发生在节假日）

【问题讨论】：

【解决方案1】：

【讨论】：

【解决方案2】：

1) 真的是“时间序列”问题吗？

definition 认为，时间序列是按时间顺序索引的一系列数据点。你的问题非常适合。所以，是的，这是一个时间序列问题。

2) 用 NN 解决问题好不好？哪种类型？循环神经网络？

RNN 无疑是解决这个问题的候选者：RNN 擅长捕捉序列数据中的相似模式，例如，从语料库中的大量句子中学习语言规则。您的第一张图表清楚地表明在连续时间步长的点之间存在依赖关系。

3) 如果 RNN 是最好的，我是否应该考虑另一个可能很常见但我没有考虑在内的变量？

这个问题没有统一的答案。深度网络可以从输入的特征中学习新特征（称为feature extraction），但也可能无法做到这一点，您必须做好准备。

4) 如果神经网络不是最好的方法，那是哪一种？

再一次，这个问题太宽泛了。没有单一的最佳方法。这就是为什么我在这里谨慎表述的原因：RNN 是一个很好的候选，换句话说，我看不出立即尝试有任何问题。

有一些关于时间序列分析的书籍，统计工具包括自回归、自相关、季节性等。讨论这些完全超出了 StackOverflow 的范围。如果您有兴趣，我建议您在CrossValidated 询问。

5) 我应该尝试训练 7 个不同的网络（一周中每天一个）还是应该尝试训练 1 个“大”网络？

如果不同日期之间的分布明显不同，您就可以做到这一点。坦率地说，我没有在上面的图表中注意到这一点，但需要调查原始数据才能回答这个问题。

6) 可以保留异常值还是应该删除它？（异常发生在节假日）

一般来说，神经网络不擅长预测异常值，因为这里没有模式。但是您的第一个图表没有显示明显的异常值，因此使用它而不是使用每周图表是一个论据。

【讨论】：