使用神经网络基于先前事件预测时间序列

Question

我想看看以下问题是否可以通过使用神经网络来解决：我有一个包含 1000 多个篮球事件的数据库，其中从第 5 分钟到第 20 分钟每秒记录总得分，以及篮球比赛在哪里都来自同一个联赛。这意味着事件发生在不同的时间段。之后对数据进行插值以具有两个时间步长之间的确切时间差，从而在第 5 分钟和第 20 分钟之间准确获得 300 个点。这可以在这里看到： Time series。最终目标是建立一个模型，该模型可以预测 t=15 到 t=20 之间的 y 值，并将 t=5 和 t=15 之间的 y 值用作输入数据。我想使用包含 1000 个事件的数据库来训练模型。为此，我尝试使用以下网络：

input data vs output data

Neural network

用于训练神经网络模型的输入数据的形状为 (1000,200)，输出数据的形状为 (1000,100)。 有人可以为此指导我正确的方向，如果这是解决此类问题的正确方法，可能会给出一些反馈，我发现了一些以前的时间序列问题，但所有这些问题都基于一个大时间序列，而在这种情况我有 1000 个不同的时间序列。

Answer 1

有几种不同的方法可以解决这个问题。基于 cmets，这听起来像是一个单变量/多步时间序列预测，尽管涉及许多不同的事件。

首先澄清大多数时间序列模型/框架的深度学习以(batch_size, n_historical_steps, n_feature_time_series)以下格式获取数据并以(batch_size, n_forecasted_steps, n_targets)格式输出结果。

由于这是一个单变量预测问题n_feature_time_series 将是一个（除非我遗漏了什么）。现在n_historical_steps 是我们经常优化的超参数，因为通常整个时间历史与预测下一次 n 步无关。您可能还想尝试对此进行优化。但是，假设您选择使用完整的时间历史，那么这看起来像(batch_size, 200, 1)。按照这种方法，您可能会得到(batch_size, 100, 1) 的输出形状。然后，您可以使用 1000 的 batch_size 一次输入所有不同的事件（当然假设您有不同的验证/测试集）。这将为您提供(1000, 200, 1) 的输入形状，这就是您可能会这样做的方式例如，如果您要使用 DA-RNN、LSTM、vanilla Transformer 等模型。

还有一些其他模型可以创建可学习的序列 embedding_id，例如 Convolutional Transformer Paper 或 Deep AR。这本质上是一个唯一的序列标识符，将与每个事件相关联，并且模型将学习在每个事件的相同传递中进行预测。

我已经实现了这两种类型的模型，您可以在 Flow Forecast 中使用它们。虽然我目前没有任何关于这类问题的详细教程。我还要说，老实说，鉴于您只有 1000 个 BB 事件（每个事件只有 300 个单变量时间步长）并且在篮球比赛中有许多变量，我怀疑您是否能够以任何真正程度的能力完成这项任务准确性。我猜你可能需要至少 20k+ 篮球赛事数据才能通过深度学习很好地预测这类问题。