多维预测答案

【问题标题】：Multidimensional Prediction多维预测
【发布时间】：2017-05-31 12:50:20
【问题描述】：

我有一个在不同地方测量的时间序列值列表。这些测量值可能相关也可能不相关（主要取决于它们的相对位置，但一些非常接近的检测器实际上会测量去相关序列是合理的）。我想预测整个集合的值，同时考虑到它们的序列以及它们在时间上的相关性。如果有帮助的话，这些值也应该有相对的周期性

编辑：我可以使用几个太阳能电池板产生的电力。这些太阳能电池板在空间上分布，我想将它们用作“辐照度探测器”。了解过去几个地方的太阳照度，我希望确定信号之间的相关性，然后可以用来预测照度。不管一天中通常的生产模式如何（如图所示），我感兴趣的是我可以从一个面板的过去中提取信息来预测另一个面板的未来。

我想我需要一个神经网络来解决这个问题，但我不确定如何提供它：我想使用一个时间窗口并用来自 A、B 和 C 的一些过去值来提供我的 NN，但是恐怕它有点弱。

图片显示了我的数据的示例。

如果知道 A、B 和 C 的过去值，我如何预测曲线 A 的下一个值？

如何处理这个预测？

【问题讨论】：

交叉发布：stackoverflow.com/q/44285325/781723、cs.stackexchange.com/q/76118/755、scicomp.stackexchange.com/q/27017/4274。请do not post the same question on multiple sites。每个社区都应该诚实地回答问题，而不会浪费任何人的时间。
对不起，我希望我有更好的机会寻求帮助
答案是“视情况而定”。这在很大程度上取决于您的问题域和您正在测量的数量的性质——我们无法抽象地回答这个问题。因此，我鼓励您编辑问题以描述时间序列来源的性质。它在测量什么？它可能有哪些模式？你有它如何演变的模型吗？
这个问题需要的帮助超出了我们所能提供的范围。我们喜欢帮助别人，但有时您需要先通过阅读有关语言的书籍、在线文档或询问您认识的人来帮助自己。一旦您更好地理解了这个主题，我们邀请您编辑这个问题，修正明显的错误，然后重新打开它。

【解决方案1】：

我认为最简单的方法是用相同的输入训练 3 个模型，但每个模型都会预测一个值（A、B 或 C）。

如果您确定输入变量之间的相关性及其对预测输出的影响，您可以创建一个具有公共分支的神经网络（可能是在堆叠的 3 个输入上的 RNN），然后创建 3 个不同的预测头，每个预测头将产生一个预测A 或 B 或 C。Fast-rcnn 架构就是一个很好的例子。

【讨论】：

【解决方案2】：

完成此任务的最佳方法是使用 RNN。

这里有一个很好的学习如何开发这种神经网络的教程： https://www.tensorflow.org/tutorials/recurrent

我还找到了这个链接，他们在其中训练了一个 RNN 来解决一个相当接近的问题： http://blog.datatonic.com/2016/11/traffic-in-london-episode-ii-predicting.html

【讨论】：