哪些神经网络解决方案适用于有延迟的时间序列回归？答案

【问题标题】：What Neural Network solution(s) are appropriate for time series regression with delays?哪些神经网络解决方案适用于有延迟的时间序列回归？
【发布时间】：2019-06-06 14:50:16
【问题描述】：

我正在尝试为时间序列回归寻找最佳的神经网络类型。我会这样描述我的场景：

我有来自传感器 A、B、C、D、E 和 F 的一维时间序列数据。
我正在尝试使用来自 A-E 传感器的数据为传感器 F 数据生成回归模型。
我知道对于某些传感器，我需要考虑最后 X 小时的数据才能获得合适的模型。每个传感器的“延迟”都不同（例如，我需要使用传感器 A-B 的最后 6 小时，C-E 的最后 30 分钟），但随着时间的推移保持一致。
我对最大“延迟”有一个近似估计，但我不知道每个传感器的精确值（这使我无法预处理我的数据）。

我的目标是能够生成一个基于所有传感器数据训练的模型/网络，然后将其应用于来自 AE 的新数据，并将我的回归结果与实际数据（在本例中来自传感器 F）进行比较。

在此之前，我一直在 MATLAB 中使用时间延迟神经网络，但这种方法并没有让我在网络设计上具有很大的灵活性。通过对低俗化网站的一些研究，我发现很多人比较了时间延迟神经网络和递归神经网络。然而，虽然 MATLAB 快速文档让我认为我理解了这些网络的工作原理，但我现在对关于这个主题的各种（有时是矛盾的）观点感到有些困惑。

什么是适合我的问题的神经网络类型？我应该转换我的数据吗？（例如，不是一维数据，而是在每个时间戳使用过去 X 小时的时间段？）我很乐意接受任何参考/书籍以更好地理解。

【问题讨论】：

您可能希望使用现代循环网络架构，如 LSTM 或衍生产品。它们存储从输入序列计算的“状态”，并且能够学习“记住”非常长的依赖关系。这个问题对于 Stack Overflow 来说有点离题（它更多地是关于机器学习作为一门科学而不是编程本身），而且也有点过于宽泛。
@jdehesa 感谢您的回复。抱歉，如果偏离主题，我专注于 Tensorflow 并被重定向到这里。我会尽量扩大这个问题的范围。

标签： python tensorflow time-series regression timedelay

【解决方案1】：

对于时间序列，通常使用预测：

Radial basis function networks.-网络输入是时间序列的过去状态，输出是对未来状态的预测。这很简单，易于构建。
Recurrent neural networks.- 更难构建，但准备好处理动态行为。

【讨论】：

感谢您的回答。我不知道径向基函数网络。考虑到 cmets 中的另一个建议，我似乎也应该关注 RNN/LSTM。